Deep Web數(shù)據(jù)集成系統(tǒng)中數(shù)據(jù)抽取與語義標注研究.pdf

1、由于Internet上數(shù)據(jù)具有異質(zhì)性和多樣性的特征，導(dǎo)致同一個領(lǐng)域中不同網(wǎng)站的結(jié)構(gòu)也有很大差別，因此，用戶要從Web上逐漸增多的海量數(shù)據(jù)中找到自己感興趣的信息變得日益困難。目前，一項重要工作就是把結(jié)果頁面中用戶感興趣的相關(guān)數(shù)據(jù)抽取出來，并為其添加語義信息，然后集成為統(tǒng)一的結(jié)構(gòu)化形式，以供后續(xù)處理及使用，這就是DeepWeb數(shù)據(jù)集成系統(tǒng)中數(shù)據(jù)抽取和語義標注。
　　 在Deep Web數(shù)據(jù)集成系統(tǒng)的研究中，現(xiàn)有的數(shù)據(jù)抽取方法依賴于查

2、詢接口模式和查詢結(jié)果模式，或者使用樹編輯距離算法導(dǎo)致時間復(fù)雜度高，影響了數(shù)據(jù)抽取的效果。本文將XML技術(shù)運用到抽取過程中，并且基于本體進行語義標注，主要工作有以下幾個方面：
　　 1.提出了一種基于索引路徑的數(shù)據(jù)抽取方法，先為每一個文本節(jié)點建立索引路徑，再通過關(guān)鍵字定位數(shù)據(jù)區(qū)，形成抽取規(guī)則，輸出相應(yīng)的Wrapper，利用Wrapper能夠?qū)ν粋€網(wǎng)站中相同領(lǐng)域的同類網(wǎng)頁進行自動地數(shù)據(jù)抽取。這種方法既不依賴HTML文檔的標簽，也不

3、使用樹編輯距離，而是充分利用用戶感興趣的數(shù)據(jù)在網(wǎng)頁中的連續(xù)性和結(jié)構(gòu)相似性的特點定位數(shù)據(jù)區(qū)，抽取數(shù)據(jù)，形成抽取規(guī)則。
　　 2.應(yīng)用領(lǐng)域知識、數(shù)據(jù)內(nèi)容、表現(xiàn)形式和數(shù)據(jù)類型等數(shù)據(jù)特征對嵌套屬性的數(shù)據(jù)單元進行拆分。對于返回的查詢結(jié)果頁面，有些網(wǎng)站中一個標簽下面可能會存儲多個屬性，在進行語義標注之前需要對其進行拆分。3.應(yīng)用圖書領(lǐng)域本體中概念與概念，概念與實例之間的映射關(guān)系對部分屬性值進行語義標注，對其他的屬性值應(yīng)用其特殊的數(shù)據(jù)格式來形