Web頁面語義信息提取方法的研究.pdf

1、Internet作為一個龐大的信息資源庫，已成為人們獲取信息的主要途徑之一，也是教育資源的重要來源。但是，隨著網(wǎng)上資源爆炸式地增長，人們在Web上找到自己感興趣的資源越來越困難。搜索引擎技術(shù)的出現(xiàn)在一定程度上緩解了人們在搜索信息過程中遇到的困難，但是搜索引擎的弱點近年來逐漸顯現(xiàn)，那就是它不能準(zhǔn)確地提供給用戶他們真正想搜索的信息，這是因為現(xiàn)有的Web內(nèi)容，是以人瀏覽和理解為出發(fā)點而設(shè)計的，缺少計算機能夠理解的信息，語義Web這時為解決此問

2、題應(yīng)運而生的。在現(xiàn)有的Web向語義Web過渡的過程中，人們無法立即舍棄現(xiàn)有的具有豐富信息的Web頁面，所以現(xiàn)有Web頁面的語義信息提取就成為能否向語義Web順利過渡的關(guān)鍵。目前的Web頁面語義信息提取工作需要大量的人工參與，而自動化程度較高的語義信息提取技術(shù)，性能相對較低，并且均采用定制的語言表達提取規(guī)則，缺乏通用性，系統(tǒng)不易升級。
　　 針對上述問題，本文提出一種Web頁面語義信息提取模型，該模型可以自動地、批量地對Web頁面

3、進行語義標(biāo)注，并自動提取領(lǐng)域的語義信息。具體地，使用了基于頁面視覺特征技術(shù)的Web內(nèi)容預(yù)處理技術(shù)，去除了網(wǎng)頁內(nèi)的噪音，提高了語義提取的速度和精度；提出了基于文本聚類的語義標(biāo)注，使用基于段落的改進HAC算法，自底向上地對組成文檔的各級段落進行聚類，對各級段落的候選關(guān)鍵詞進行了提取和上卷，使聚類過程得到了各個語義層次的語義關(guān)鍵詞；定義了“語義簇”的概念，設(shè)計了基于語義簇聚類的Web頁面語義信息提取方法，根據(jù)文本聚類確定不同的閾值，控制語義實