基于本體的旅游領(lǐng)域Web信息抽取.pdf

1、隨著Internet和Web技術(shù)的發(fā)展，WWW已經(jīng)成為一個(gè)巨大的信息資源庫(kù)，然而使用傳統(tǒng)的搜索引擎，用戶要精確地找到所需信息往往十分困難。Web信息抽取技術(shù)正是在這樣的背景下出現(xiàn)的。目前，關(guān)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(yǔ)言處理的、基于包裝器歸納的、基于HTML結(jié)構(gòu)的和基于本體的?；诒倔w的信息抽取方法主要是利用了對(duì)數(shù)據(jù)本身的描述信息，對(duì)網(wǎng)頁(yè)的依賴少，而且本體可提供機(jī)器可識(shí)別的領(lǐng)域概念知識(shí)及其關(guān)系，

2、具有簡(jiǎn)單的推理能力。此外，在信息抽取中使用本體有許多優(yōu)點(diǎn)。首先，本體提供了一個(gè)豐富的、預(yù)定義的詞匯庫(kù)，可作為與數(shù)據(jù)源的穩(wěn)定的概念接口，并且獨(dú)立于數(shù)據(jù)模式。第二，本體表示的知識(shí)足夠支持所有相關(guān)信息源的轉(zhuǎn)換。第三，本體支持一致的管理和非一致數(shù)據(jù)的識(shí)別等。 由上述的分析并結(jié)合項(xiàng)目實(shí)際的需要，本文提出了一種基于本體的旅游領(lǐng)域Web信息抽取方法，并設(shè)計(jì)實(shí)現(xiàn)了一個(gè)廣西旅游信息抽取原型系統(tǒng)。本文主要工作和創(chuàng)新點(diǎn)：(1) 分析比較了幾類主要的本

3、體構(gòu)建的方法。綜合各方面，本文采用Mike Uschold & Micheal Gruninger提出的方法構(gòu)建旅游領(lǐng)域本體。在構(gòu)建過程中，本文分析研究了本體概念之間的關(guān)系、概念的層次結(jié)構(gòu)、概念的等價(jià)性、屬性約束以及實(shí)例的等價(jià)性。(2) 介紹了Pellet推理機(jī)，闡述了SHOIQ(D)-Tableaux推理算法，研究利用該推理算法對(duì)旅游領(lǐng)域本體的推理，包括本體一致性檢測(cè)、概念的包含關(guān)系檢測(cè)、概念的可滿足性檢測(cè)、屬性約束以及實(shí)例檢測(cè)。最后

4、闡述了利用Jena對(duì)本體的解析，分析出本體的概念、關(guān)鍵詞、關(guān)系和實(shí)例等信息，存入數(shù)據(jù)庫(kù)。(3) 在本體推理解析的基礎(chǔ)上，首先根據(jù)網(wǎng)頁(yè)轉(zhuǎn)換為DOM樹結(jié)構(gòu)，闡述了利用旅游本體關(guān)鍵詞定位頁(yè)面正文進(jìn)行頁(yè)面正文提取的算法。接著闡述利用ICTCLAS分詞工具和旅游領(lǐng)域詞匯相結(jié)合進(jìn)行的中文分詞處理，停用詞過濾的分析。最后闡述了抽取規(guī)則。在抽取規(guī)則的構(gòu)建中，我們利用了屬性的語(yǔ)義特點(diǎn)和三元組相結(jié)合的方法。最后，根據(jù)研究的關(guān)鍵技術(shù)，本文實(shí)現(xiàn)了一個(gè)廣西旅游信