基于本體的可定制化網(wǎng)頁信息智能提取技術(shù)研究.pdf

1、WWW上擁有海量、分布、動(dòng)態(tài)、異質(zhì)、非結(jié)構(gòu)化的豐富信息資源，但用戶一直沒有合適的途徑獲取它們，而互聯(lián)網(wǎng)傳統(tǒng)的信息檢索的粒度不能滿足客戶的需要，人們迫切需要Web挖掘技術(shù)來方便地獲取互聯(lián)網(wǎng)中細(xì)粒度，結(jié)構(gòu)化的信息。Web挖掘技術(shù)負(fù)責(zé)從大量的Web文檔和Web活動(dòng)中發(fā)現(xiàn)、提取感興趣的、潛在的有用模式和隱含的、事先未知的、潛在的信息。但現(xiàn)有的Web挖掘系統(tǒng)存在著應(yīng)用領(lǐng)域小，自動(dòng)化程度不高的不足，滿足不了復(fù)雜數(shù)據(jù)源和數(shù)據(jù)表達(dá)方式多樣化下信息提取的

2、需求。 論文針對(duì)現(xiàn)有Web挖掘系統(tǒng)所存在的問題，提出一種基于本體論的網(wǎng)頁信息提取算法，并成功地應(yīng)用到UT斯達(dá)康手機(jī)信息服務(wù)系統(tǒng)中。算法基于HTML結(jié)構(gòu)，結(jié)合本體論，能夠自動(dòng)分析網(wǎng)頁結(jié)構(gòu)并提取數(shù)據(jù)，具有高度魯棒性和適應(yīng)性。 第一章首先敘述了信息提取技術(shù)意義與本文的研究背景，進(jìn)而提出本文的研究?jī)?nèi)容。 第二章介紹了信息提取技術(shù)的發(fā)展過程，簡(jiǎn)要介紹了傳統(tǒng)信息提取技術(shù)的方法以及代表性系統(tǒng)，對(duì)它們的優(yōu)缺點(diǎn)進(jìn)行了分析。同時(shí)介紹

3、了本體論的概念，以及本體論在信息提取領(lǐng)域相關(guān)的一些工作。 第三章對(duì)系統(tǒng)所采用的本體模型ORM進(jìn)行了闡述。系統(tǒng)采用對(duì)象關(guān)系模型(ORM)構(gòu)造目標(biāo)本體，通過解析本體描述，可以獲得目標(biāo)數(shù)據(jù)的結(jié)構(gòu)，描述方式，以及數(shù)據(jù)庫模式，為信息提取做好數(shù)據(jù)準(zhǔn)備。 第四章提出了基于本體論的網(wǎng)頁去噪技術(shù)。通過構(gòu)造網(wǎng)頁標(biāo)簽樹并對(duì)其進(jìn)行簡(jiǎn)化統(tǒng)計(jì)得到網(wǎng)頁結(jié)構(gòu)樹，在此基礎(chǔ)上，利用網(wǎng)頁間結(jié)構(gòu)塊的相似性和頁面內(nèi)噪音結(jié)構(gòu)塊的特征來排除網(wǎng)頁噪音，提高信息提取的準(zhǔn)

4、確性。 第五章在網(wǎng)頁結(jié)構(gòu)樹的基礎(chǔ)上給出了基于本體論的信息提取算法。利用最大扇出樹，并結(jié)合改進(jìn)的啟發(fā)式規(guī)則，尋找出網(wǎng)頁數(shù)據(jù)區(qū)，最后利用本體論進(jìn)行記錄的劃分和記錄的分解提取，并將提取的信息按本體描述保存到數(shù)據(jù)庫中。 第六章介紹了信息提取系統(tǒng)的實(shí)現(xiàn)，給出了系統(tǒng)的體系結(jié)構(gòu)，并使用業(yè)界標(biāo)準(zhǔn)評(píng)價(jià)體系對(duì)系統(tǒng)進(jìn)行測(cè)試，測(cè)試結(jié)果表明系統(tǒng)在性能上與同類產(chǎn)品存在一定的優(yōu)勢(shì)，驗(yàn)證論文在系統(tǒng)性能方面的改進(jìn)工作。 第七章總結(jié)了本文的研究成果