Web實體間關(guān)系發(fā)現(xiàn).pdf

1、隨著互聯(lián)網(wǎng)技術(shù)飛躍性的發(fā)展，Web上的網(wǎng)站數(shù)量和網(wǎng)頁數(shù)量正以指數(shù)級的速度快速增長。Web已經(jīng)成為一個擁有海量數(shù)據(jù)，數(shù)據(jù)類型多樣，數(shù)據(jù)結(jié)構(gòu)各異巨大的數(shù)據(jù)源。Web數(shù)據(jù)集成系統(tǒng)通過有效整合來自不同Web數(shù)據(jù)源的數(shù)據(jù)，為諸如市場情報分析、輿情分析、商業(yè)智能等分析應(yīng)用提供重要的高質(zhì)量的數(shù)據(jù)支撐。現(xiàn)有的Web數(shù)據(jù)集成系統(tǒng)中，僅僅包含了Web實體的基本信息，而實體間的豐富的關(guān)聯(lián)信息沒有被充分的挖掘。實體之間豐富的關(guān)聯(lián)信息，和準確的標記，能夠更加完善

2、的描述實體間的相互關(guān)系，對搜索引擎、智能問答、市場情報分析等系統(tǒng)提供數(shù)據(jù)支持，使搜索引擎返回的檢索數(shù)據(jù)更加精準，豐富智能問答和市場情報分析等系統(tǒng)的知識庫，幫助完善分析和推理的各種結(jié)果。然而，目前Web數(shù)據(jù)集成系統(tǒng)采集的數(shù)據(jù)主要來源于數(shù)據(jù)量大、質(zhì)量相對較高的Deep Web站點，并將它們整合成具有統(tǒng)一模式的結(jié)構(gòu)化數(shù)據(jù)。在海量的Web數(shù)據(jù)背景下，Web數(shù)據(jù)集成系統(tǒng)所提供的數(shù)據(jù)存在以下局限性:
　　1.Web數(shù)據(jù)集成系統(tǒng)中的實體之間關(guān)聯(lián)

3、信息缺乏，Web數(shù)據(jù)集成系統(tǒng)的數(shù)據(jù)采集于有限的數(shù)據(jù)源，而且這些數(shù)據(jù)源大多數(shù)都是結(jié)構(gòu)化數(shù)據(jù)源，使得僅僅通過數(shù)據(jù)集成系統(tǒng)很難挖掘出來Web實體間有意義的關(guān)聯(lián)信息。
　　2.對于已發(fā)現(xiàn)的實體間的關(guān)系，現(xiàn)有的關(guān)系標記方法往往利用復(fù)雜的方法，計算量大，對于一些實時系統(tǒng)而言是無法接受的，進行準確和高效的關(guān)系標記也成為Web數(shù)據(jù)集成系統(tǒng)中完善實體間信息的一個重要問題。
　　本文以挖掘Web數(shù)據(jù)集成系統(tǒng)中實體關(guān)系信息、提供實體全面而豐富的信

4、息為目標，針對Web數(shù)據(jù)集成系統(tǒng)中實體關(guān)系發(fā)現(xiàn)以及實體關(guān)系標注問題展開研究，主要貢獻如下:
　　1.本文提出一種基于聚類和向量屬性消減的實體語義關(guān)系發(fā)現(xiàn)算法。該方法在保證語義關(guān)系發(fā)現(xiàn)準確率的前提下，發(fā)現(xiàn)實體間同時存在的多重關(guān)系。
　　該方法使用搜索引擎獲得到的外部文檔以及Web數(shù)據(jù)集成系統(tǒng)中實體信息，為實體間關(guān)系構(gòu)造特征向量，通過一次聚類過程以及一次向量屬性消減過程，發(fā)現(xiàn)實體間的關(guān)系，在向量屬性消減過程中，該方法發(fā)現(xiàn)實體間的

5、多重語義關(guān)系。
　　2.本文提出一種基于集成學(xué)習(xí)對實體關(guān)系進行標記的方法。該方法通過提高Web數(shù)據(jù)集成系統(tǒng)中兩實體關(guān)系相似性判定的準確率，來對實體關(guān)系進行標注。同時，該方法減小了相似性計算的花費，對實體顯式關(guān)系進行標注。
　　該方法將四種實體關(guān)系相似性判定方法使用集成學(xué)習(xí)的方法進行集成，特別的對于SVM方法，該方法對其在計算方面進行優(yōu)化，使得不用為每個實體對之間的關(guān)系訓(xùn)練一個特殊的SVM，而是選取Web數(shù)據(jù)集成系統(tǒng)中用戶最為

6、關(guān)注的多個關(guān)系作為候選，在這些關(guān)系中對實體關(guān)系進行匹配，進而計算實體關(guān)系間的相似性。通過實體關(guān)系之間的相似性，對實體關(guān)系進行標記。實驗結(jié)果表明，該方法提高了實體關(guān)系間的相似性判定準確率，進而提高了關(guān)系標注的準確率，同時能夠很好地降低相似性判定的計算花費。
　　3.本文提出了一種基于兩階段聚類的實體隱式關(guān)系挖掘算法。該算法使用搜索引擎返回的結(jié)果文檔，挖掘并標記Web數(shù)據(jù)集成系統(tǒng)中相關(guān)實體之間的語義關(guān)系。
　　該方法使用大量的外