基于本體的Web信息抽取的研究與實(shí)現(xiàn).pdf

1、Web已成為了網(wǎng)絡(luò)信息的主要平臺(tái)，是人們獲取信息的重要來(lái)源。但是，由于Web頁(yè)面的無(wú)結(jié)構(gòu)性、超鏈接的自由無(wú)序以及Web內(nèi)容的海量性、多樣性和動(dòng)態(tài)變化，人們從Web上搜索真正想要的信息其實(shí)并不容易。Web信息抽取技術(shù)的研究，可以幫助人們更快更準(zhǔn)確的獲取信息。 語(yǔ)義Web提倡的資源管理框架(RDF)和本體(ontoloy)技術(shù)，提供了以本體技術(shù)解決Web信息抽取的方案，由于不同學(xué)科各自的領(lǐng)域特性，建模過(guò)程需要領(lǐng)域?qū)＜业挠行⑴c，導(dǎo)致

2、領(lǐng)域本體建模的困難。定義Web頁(yè)面信息項(xiàng)本體可以簡(jiǎn)化基于本體的Web信息抽取建模的過(guò)程，其缺陷是不能有效地劃分頁(yè)面的信息抽取區(qū)域，影響抽取規(guī)則生成的準(zhǔn)確性。因此，論文基于Web頁(yè)面信息項(xiàng)本體定義，把所要提取的信息在文檔對(duì)象模型DOM層次結(jié)構(gòu)中的路徑作為信息抽取的“坐標(biāo)”，設(shè)計(jì)了一種生成提取規(guī)則的歸納學(xué)習(xí)方法。 在自動(dòng)生成的Web頁(yè)面中，待抽取的目標(biāo)信息以相似結(jié)構(gòu)的信息塊子樹(shù)形式存在于Web頁(yè)面DOM樹(shù)中。論文通過(guò)對(duì)單個(gè)樣本頁(yè)面信

3、息項(xiàng)路徑進(jìn)行啟發(fā)式學(xué)習(xí)和對(duì)所有樣本頁(yè)面集中信息塊路徑進(jìn)行歸納學(xué)習(xí)，識(shí)別出相似結(jié)構(gòu)的信息塊子樹(shù)的位置，準(zhǔn)確的劃定信息抽取區(qū)域，降低頁(yè)面噪聲；然后，利用Web頁(yè)面解析技術(shù)，將經(jīng)過(guò)噪聲處理的樣本頁(yè)面自動(dòng)解析成頁(yè)面的結(jié)構(gòu)本體。最后，將Web頁(yè)面信息項(xiàng)本體和頁(yè)面的結(jié)構(gòu)本體進(jìn)行對(duì)比，通過(guò)歸納學(xué)習(xí)算法生成抽取規(guī)則。 論文設(shè)計(jì)了一個(gè)基于本體的Web信息抽取器。實(shí)驗(yàn)結(jié)果表明，以Web頁(yè)面信息項(xiàng)本體為基礎(chǔ)，結(jié)合文檔對(duì)象模型DOM對(duì)網(wǎng)頁(yè)路徑結(jié)構(gòu)的分析