基于本體的DeepWeb自動標(biāo)注研究.pdf

1、隨著 Deep Web中數(shù)據(jù)的增多，深度網(wǎng)絡(luò)所包含數(shù)據(jù)的檢索變得尤其的重要。事實上大部分信息對傳統(tǒng)的搜索引擎是不可見的。為了使搜索引擎對于深度網(wǎng)絡(luò)的查詢效率更高，通過數(shù)據(jù)標(biāo)注技術(shù)把結(jié)果頁面中的信息進(jìn)行標(biāo)注并提交給搜索引擎以便于后面的檢索和抽取。本文的標(biāo)注方法因為使用到了本體的概念所以對標(biāo)注信息的一致性有了很大的提高。
　　首先，通過網(wǎng)頁的視覺特征對頁面中的說明信息進(jìn)行抽取。信息抽取過程是根據(jù)數(shù)據(jù)信息和相應(yīng)的說明信息的空間關(guān)系進(jìn)行的

2、，如果這兩個信息在一條直線上并且在這兩個信息之間沒有其他的信息，本文的方法就認(rèn)為這兩個信息是匹配的。既這個說明信息是用來說明這個數(shù)據(jù)的。在完成了抽取的過程之后，用這個說明信息來標(biāo)注對應(yīng)的數(shù)據(jù)信息。但是有些時候一些結(jié)果頁面中包含的數(shù)據(jù)量是很少的，如果單獨通過結(jié)果頁面中的信息來標(biāo)注是不行的。就要借助查詢接口的信息來標(biāo)注結(jié)果頁面中的數(shù)據(jù)。在這個過程中為了保證數(shù)據(jù)的一致性本文使用整合接口中的接口模式來標(biāo)注相應(yīng)的數(shù)據(jù)信息。
　　其次，再把上

3、面使用的標(biāo)注信息進(jìn)行歸類。在歸類的過程中主要使用的是數(shù)據(jù)信息在頁面中的表現(xiàn)形式和通過這兩個信息鄰近信息的相似程度來判斷這兩個信息的相似程度。把標(biāo)注信息分類以后，把每類標(biāo)注信息用一個統(tǒng)一的名字加以說明。這樣可以很好的減少標(biāo)注信息的數(shù)據(jù)不一致性，提高標(biāo)注的效率和準(zhǔn)確程度。
　　最后，再把每類標(biāo)注信息進(jìn)行識別，可以分為數(shù)據(jù)類型的和文本類型的。這樣的分類過程可以使標(biāo)注信息和本體詞組的相似度計算更加的方便。再用逐詞比較的方式來計算本體詞組和