基于本體的手機領域Web信息抽取.pdf

1、隨著電子商務的迅速發(fā)展，網絡信息的泛濫，用戶獲得相關信息日益困難，由此產生了一些強大的如淘寶網、京東商城等購物網站。但是，目前Web的數據基本上是HTML形式存儲和表示的，屬于半結構化的數據。為了利用網頁中的HTML數據，Web信息抽取技術應運而生。Web信息抽取主要對網絡中半結構化的數據進行抽取，生成結構化的數據，實現數據的整合與共享。
　　目前，關于Web信息抽取方面的研究有很多。Web信息抽取的方法主要有基于自然語言處理的、

2、基于Web查詢的、基于HTML結構的和基于本體的?；诒倔w的Web信息抽取技術，由于不依賴于Web網頁的結構，而且本體可以準確地描述相關的語義信息，具有簡單的推理能力，所以信息抽取的準確率和召回率都得到了提高。此外，本體有許多優(yōu)點。首先，本體提供了一個豐富的、預定義的詞匯庫，可作為與數據源的穩(wěn)定的概念接口，并且獨立于數據模式。第二，本體表示的知識足夠支持所有相關信息源的轉換。第三，本體支持一致的管理和非一致數據的識別等。
　　本文

3、研究了本體及領域本體的相關概念，深入分析了本體構建的方法和規(guī)則，以及信息抽取的相關知識。在此基礎上，本文提出了一種構建領域本體的方法。在該方法的指導下，本文分析研究了本體概念之間的關系、概念的層次結構、概念的等價性、屬性約束以及實例的等價性，利用Protégé工具創(chuàng)建了手機領域中的手機本體(MobilePhoneOntology)，對手機領域本體進行推理完善。同時對待抽取Web頁面進行預處理，利用ICTCLAS分詞工具和手機領域詞匯相結

4、合進行的中文分詞處理得到處理后的文檔，利用Jena工具解析本體，獲得其中的概念、屬性以及實例等信息并保存起來，再和生成的抽取規(guī)則一起對預處理后的文檔進行信息抽取。
　　最后，根據研究的關鍵技術，借助GATE(自然語言處理工具)平臺對電子商務網站上的Web網頁進行抽取實驗。在實驗過程中，引進手機本體文件、編寫處理插件、編寫詞典和映射文件、編寫規(guī)則文件等，得到實驗結果并分析，驗證信息抽取系統(tǒng)的性能。表明了本文方法的技術可行性，具有實際