基于本體的Web非規(guī)范知識(shí)處理中信息抽取技術(shù)研究.pdf

1、隨著Internet的快速發(fā)展，互聯(lián)網(wǎng)的信息以每四到六個(gè)月翻一倍的速度迅猛增長，傳統(tǒng)的依靠瀏覽器以及關(guān)鍵字檢索查詢的搜索引擎已經(jīng)越來越難滿足人們對(duì)互聯(lián)網(wǎng)信息服務(wù)的需要，如何幫助人們準(zhǔn)確有效地找出自己所需要的信息資料，已經(jīng)越來越迫切的擺在我們的面前。針對(duì)Internet上文本的半結(jié)構(gòu)化和無結(jié)構(gòu)化的特點(diǎn)，我們?cè)谛畔⒊槿≈幸肓薕ntology(本體)的技術(shù)，提出了一種基于Ontology，能處理語義的Web信息抽取(InformationE

2、xtraction，縮寫為IE)技術(shù)。該技術(shù)通過將互聯(lián)網(wǎng)上以不同形式分散在不同網(wǎng)站上的同一主題的信息收集在一起，并用結(jié)構(gòu)化形式存儲(chǔ)，從而為用戶提供簡潔、準(zhǔn)確的信息。信息抽取技術(shù)是一種面向具體任務(wù)的實(shí)用的文檔理解技術(shù)。與復(fù)雜的自然語言理解技術(shù)不同，IE技術(shù)通常采用淺層的文本分析技術(shù)，提取出設(shè)計(jì)者關(guān)注的特定主題領(lǐng)域的信息。該技術(shù)適用于具有特定主題及對(duì)相對(duì)確定的信息結(jié)構(gòu)的文檔如廣告，新聞，旅游，股票、會(huì)議日程等。 自動(dòng)信息抽取技術(shù)是近

3、十年來發(fā)展起來的。有兩個(gè)因素對(duì)其發(fā)展有重要的影響：一是在線和離線文本數(shù)量的幾何級(jí)增加，另一是“消息理解研討會(huì)”(MUC)近十幾年來對(duì)該領(lǐng)域的關(guān)注和推動(dòng)。根據(jù)各種工具所采用的原理將現(xiàn)有的工具分為以下5類：基于自然語言處理方式的信息抽取、包裝器歸納方式的信息抽取、基于HTML結(jié)構(gòu)的信息抽取和基于Web查詢的信息抽取、基于Ontology方式的信息抽取?；谧匀徽Z言處理方式的信息抽取在一定程度上借鑒了自然語言處理技術(shù)，利用子句結(jié)構(gòu)，短語和子句

4、間的關(guān)系建立基于語法和語義的抽取規(guī)則實(shí)現(xiàn)信息抽取，該種抽取方法的實(shí)現(xiàn)非常復(fù)雜，抽取效率也比較低；包裝器歸納方式的信息抽取根據(jù)事先由用戶標(biāo)記好的樣本實(shí)例應(yīng)用機(jī)器學(xué)習(xí)方式的歸納算法，生成基于定界符的抽取規(guī)則，該種信息抽取方法需要大量的樣本文本?；贖TML結(jié)構(gòu)的信息抽取技術(shù)特點(diǎn)是，根據(jù)Web頁面的結(jié)構(gòu)定位信息，在信息抽取之前通過解析器將Web文檔解析成語法樹，通過半自動(dòng)化的方式產(chǎn)生抽取規(guī)則，將信息抽取轉(zhuǎn)化為對(duì)語法樹的操作實(shí)現(xiàn)信息抽取，這種信

5、息抽取方法對(duì)文本結(jié)構(gòu)的要求比較嚴(yán)格，同一抽取系統(tǒng)只能應(yīng)用于相同或類似結(jié)構(gòu)的文本；基于Web查詢的信息抽取將Web信息抽取轉(zhuǎn)化為使用標(biāo)準(zhǔn)的Web查詢語言對(duì)Web文檔的查詢，具有通性。但該種方法需要先把Web信息轉(zhuǎn)化為符合XML文法的形勢(shì)，然后再根據(jù)其結(jié)構(gòu)寫查詢語句，另外這種方法對(duì)文本格式的要求也比較嚴(yán)格。本文應(yīng)用的基于Ontology的信息抽取主要是利用本身的描述信息實(shí)現(xiàn)抽取。這種信息抽取方法是首先建立領(lǐng)域本體，然后根據(jù)領(lǐng)域本體的關(guān)鍵字和