基于本體的Web數(shù)據(jù)抽取Wrapper研究與實(shí)現(xiàn).pdf_第1頁
已閱讀1頁,還剩65頁未讀, 繼續(xù)免費(fèi)閱讀

下載本文檔

版權(quán)說明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請進(jìn)行舉報(bào)或認(rèn)領(lǐng)

文檔簡介

1、作為在信息檢索領(lǐng)域的一個(gè)研究熱點(diǎn),Web數(shù)據(jù)抽取技術(shù)已經(jīng)日益被眾多大學(xué)和研究機(jī)構(gòu)作為研究重點(diǎn)。Web數(shù)據(jù)抽取亦稱Web信息采集(Web Crawler、Web Spider、Web Robot或Web Worm)。Web數(shù)據(jù)抽取主要是從Web頁面所包含的無結(jié)構(gòu)或半結(jié)構(gòu)的信息中識(shí)別用戶感興趣的數(shù)據(jù),并將其轉(zhuǎn)化為結(jié)構(gòu)和語義更為清晰的格式(XML、關(guān)系數(shù)據(jù)、面向?qū)ο蟮臄?shù)據(jù)等)。Web信息抽取工作主要由包裝器(Web Wrapper)來完成,包

2、裝器是一種軟件體系結(jié)構(gòu),這個(gè)結(jié)構(gòu)使用已經(jīng)定義好的信息抽取規(guī)則,將網(wǎng)絡(luò)爬蟲搜集到的Web頁面的信息抽取出來,轉(zhuǎn)換為用特定的格式描述的信息。一個(gè)包裝器一般針對某一種數(shù)據(jù)源中的一類頁面。包裝器運(yùn)用規(guī)則執(zhí)行程序?qū)?shí)際要抽取的數(shù)據(jù)源進(jìn)行抽取。當(dāng)前包裝器在技術(shù)上主要是通過為待提取的目標(biāo)建立相應(yīng)的模板庫,并將文檔內(nèi)容與模板庫中的模板匹配而實(shí)現(xiàn)的。模板的表達(dá)能力直接影響系統(tǒng)的準(zhǔn)確度。這些一般是采用關(guān)鍵詞與通配符的序列組合作為模板,但這種結(jié)構(gòu)有很大的局限

3、。首先很多情況下詞與詞之間并無固定的次序關(guān)系;其次詞的多義性常常會(huì)導(dǎo)致錯(cuò)誤的分析結(jié)果。要克服這些局限,其一是增強(qiáng)模板的知識(shí)表達(dá)能力;其二是實(shí)現(xiàn)某種歧義消解機(jī)制。本文的主要研究工作如下:
   一、提出了一種基于本體的Wrapper(簡稱OBW)設(shè)計(jì)方法。該方法是設(shè)計(jì)了一個(gè)本體驅(qū)動(dòng)的數(shù)據(jù)抽取包裝器,其利用本體對Web頁面進(jìn)行解析并抽取領(lǐng)域相關(guān)數(shù)值,經(jīng)過解析包裝后這些包含領(lǐng)域相關(guān)數(shù)值的頁面文件被稱為語義Web頁面文件(SWPF)。查

4、詢處理器結(jié)合本體對這些語義Web頁面文件進(jìn)行分析處理,最終找出相關(guān)數(shù)據(jù)和鏈接返回給用戶。
   二、針對特定領(lǐng)域構(gòu)建了一個(gè)本體,并詳細(xì)描述了該本體的構(gòu)成特點(diǎn)。在該本體的基礎(chǔ)上,詳細(xì)描述了OBW的工作過程,包括從Web頁面數(shù)值抽取到最終SWPF的生成。
   三、基于上述方法,本文設(shè)計(jì)并實(shí)現(xiàn)一個(gè)OBW數(shù)據(jù)抽取系統(tǒng),通過用真實(shí)數(shù)據(jù)進(jìn)行實(shí)驗(yàn),對運(yùn)行結(jié)果進(jìn)行了分析,針對存在的問題,提出了相應(yīng)的改進(jìn)方案。
   本體的構(gòu)建

溫馨提示

  • 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內(nèi)容里面會(huì)有圖紙預(yù)覽,若沒有圖紙預(yù)覽就沒有圖紙。
  • 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫僅提供信息存儲(chǔ)空間,僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護(hù)處理,對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對任何下載內(nèi)容負(fù)責(zé)。
  • 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容,請與我們聯(lián)系,我們立即糾正。
  • 7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時(shí)也不承擔(dān)用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

評(píng)論

0/150

提交評(píng)論