基于Ontology的Web信息抽取和信息集成的研究.pdf

1、該文在前人已有的研究工作基礎上,重點研究了動態(tài)Web頁面(包括Hidden Web)的信息抽取技術和算法,Web信息集成中的Schema匹配等問題.在研究獲得的算法基礎上實現(xiàn)了一個智能信息代理平臺,并成功地應用于自然科學基金項目—基于Ontology的Web音樂知識檢索系統(tǒng).主要的研究和成果如下:1.該文提出了針對動態(tài)生成網(wǎng)頁的基于Web樹結構表示的信息抽取和注釋算法.該算法任意從頁面集中選擇兩個頁面或多個頁面作為樣本,無需人工標注,從

2、中自動推導出頁面模板Wrapper和數(shù)據(jù)模式.算法中創(chuàng)新提出的最小抽取樹、純文本模板單元等概念提高了Web頁面模板識別的準確性并減少了Wrapper生成算法的開銷;頁面數(shù)據(jù)的語義注釋直接利用了生成Wrapper過程中的中間結果.通過對大量真實網(wǎng)站上下載的網(wǎng)頁進行實驗表明該算法在兩種不同類型的動態(tài)網(wǎng)頁抽取和注釋上都具有很好的效果.2.通過Web獲得的數(shù)據(jù)Schema沒有傳統(tǒng)關系數(shù)據(jù)庫的Schem的完整定義,該文提出了基于聚類的Web信息S

3、chema匹配算法.該算法綜合使用了實例匹配和Schema名字匹配兩種技術,給出了聚類算法中對象距離的計算方法,避免了通常schema匹配算法中1-1匹配的限制以及對schema定義的要求.實驗數(shù)據(jù)表明了算法的有效性.3.該文提出了一套自動搜集、索引以及查詢Hidden Web入口信息的新途徑,給出了其中關鍵的算法.它能自動從網(wǎng)頁上抽取Hidden Web的訪問入口,借助Ontology技術按應用領域篩選出對應的訪問入口,并將其轉換為統(tǒng)

4、一定義的Ontology概念.由于使用統(tǒng)一的概念表示Hidden Web的查詢?nèi)肟趨?shù),為機器自動地查詢后臺信息提供了基礎.4.利用研究所得的Web信息抽取算法、Schema匹配算法以及Hidden Web索引等技術,該文設計并實現(xiàn)了一個智能信息代理平臺,它能為信息系統(tǒng)從Web上收集信息,并按照領域模型進行知識集成.該代理已成功地應用于自然科學基金重大國際合作項目,中國民族音樂數(shù)字圖書館子系統(tǒng)—基于Ontology的Web音樂知識檢索系