基于本體的Web頁面結(jié)構(gòu)化信息抽取.pdf

1、隨著互聯(lián)網(wǎng)的不斷發(fā)展，Web上積累了大量的有用數(shù)據(jù)，從Web上抽取和集成信息逐漸成為研究熱點。Web頁面上的信息經(jīng)常以HTML的形式表現(xiàn)出來，但是HTML顯示的數(shù)據(jù)缺少嚴格的標(biāo)準(zhǔn)限制，顯示的數(shù)據(jù)沒有一定的結(jié)構(gòu)和模式，計算機難于解析其語義。因此，從Web頁面上抽取信息并集成到一起是一項必要的工作。信息以統(tǒng)一的形式集成在一起的好處是方便對數(shù)據(jù)做自動化處理，方便檢查和比較。信息抽取技術(shù)并不試圖全面理解整篇文檔，只是對文檔中包含相關(guān)信息的部分進

2、行分析。
　　結(jié)合電子商務(wù)等知識密集型Web站點的數(shù)據(jù)特征，本文提出了一種基于本體的Web頁面結(jié)構(gòu)化信息抽取模型。主要有以下幾個方面的工作：
　　（1）比較了信息抽取與信息檢索的異同，介紹了信息抽取的工作原理、主要任務(wù)和評價指標(biāo)，分析了當(dāng)前信息抽取系統(tǒng)的技術(shù)特點和存在的問題；
　?。?）介紹了本體相關(guān)的基礎(chǔ)知識，討論了在信息抽取中使用本體的優(yōu)勢，給出了基于本體的信息抽取常見的模型結(jié)構(gòu)。在抽取系統(tǒng)中使用本體技術(shù)，能夠消除

3、語義異構(gòu)現(xiàn)象，本體可作為數(shù)據(jù)源的穩(wěn)定的概念接口，獨立于數(shù)據(jù)模式；
　?。?）引入PAT樹技術(shù)，構(gòu)造樣本頁面的PAT樹結(jié)構(gòu)，從中提取Web頁面的數(shù)據(jù)模式。PAT樹是一種改進了的“后綴樹”，用來存儲源字符串的所有可能后綴子串。同時，在模式提取階段，提出了模式篩選的三個原則：正規(guī)性、緊湊性和分布性；
　?。?）結(jié)合本體學(xué)習(xí)的方法和Protégé工具，構(gòu)造了一個簡單的圖書領(lǐng)域本體，最后轉(zhuǎn)化成OWL文件，用本體描述語言O(shè)WL形式化地描

4、述該領(lǐng)域本體；
　?。?）給出了一個規(guī)則生成算法，該算法能夠借助領(lǐng)域本體生成抽取規(guī)則，指導(dǎo)具體的抽取動作。抽取規(guī)則可以從領(lǐng)域本體中歸納學(xué)習(xí)出來，并且監(jiān)督領(lǐng)域本體的構(gòu)造過程；同時領(lǐng)域本體又可以用來指導(dǎo)規(guī)范抽取規(guī)則，排除無效規(guī)則。規(guī)則庫和領(lǐng)域本體兩者相互學(xué)習(xí)，相互影響。
　?。?）以“中國圖書網(wǎng)”上的Web頁面為實驗對象，應(yīng)用規(guī)則生成算法生成的抽取規(guī)則抽取結(jié)構(gòu)化信息保存到數(shù)據(jù)庫中，對模型進行測試和分析。實驗結(jié)果表明該模型在查全率