Deep Web數(shù)據(jù)抽取及語義標(biāo)注研究.pdf

1、隨著計算機(jī)和網(wǎng)絡(luò)技術(shù)的快速發(fā)展，互聯(lián)網(wǎng)在人們的日常生活中發(fā)揮著越來越重要的作用。信息檢索作為互聯(lián)網(wǎng)應(yīng)用的重要組成部分，是用戶獲取信息的主要方法。目前，信息檢索一般通過搜索引擎完成。由于技術(shù)原因，傳統(tǒng)的搜索引擎只能發(fā)現(xiàn)靜態(tài)網(wǎng)頁內(nèi)容，而無法獲取Web數(shù)據(jù)庫中的信息。如何能夠充分利用Web數(shù)據(jù)庫中豐富的資源，成為一個值得研究的問題。
　　 存儲在Web數(shù)據(jù)庫中、不能通過超鏈接訪問的資源集合被稱為Deep Web。為自動獲取Deep W

2、eb背后眾多Web數(shù)據(jù)庫中的資源，需要建立Deep Web數(shù)據(jù)集成系統(tǒng)，該系統(tǒng)的查詢結(jié)果處理模塊分為數(shù)據(jù)抽取和語義標(biāo)注兩部分。數(shù)據(jù)抽取是指通過技術(shù)手段將Web頁面上的數(shù)據(jù)抽取出來，保存為XML文檔或關(guān)系模式，作為下一步處理的基礎(chǔ)。語義標(biāo)注是指對抽取出的數(shù)據(jù)增加語義注釋，便于計算機(jī)識別與處理，從而具有更高的利用價值。
　　 本文使用Xpath技術(shù)完成Deep Web數(shù)據(jù)抽取并提出一種基于中文詞性和領(lǐng)域知識的語義標(biāo)注方法?；赬pa

3、th的數(shù)據(jù)抽取方法首先將Deep Web查詢結(jié)果頁面規(guī)范化為XML格式，然后在遍歷XML文檔的過程中確定待抽取數(shù)據(jù)路徑表達(dá)式，最后根據(jù)該表達(dá)式完成數(shù)據(jù)抽取并保存為XML格式。語義標(biāo)注給抽取出的數(shù)據(jù)增加語義信息。本文所述語義標(biāo)注方法借助中文分詞工具得到抽取結(jié)果的詞性，并根據(jù)詞性或詞性組合與語義建立映射規(guī)則，同時結(jié)合領(lǐng)域知識進(jìn)行語義標(biāo)注。實驗表明，本文所述方法能夠?qū)eep Web查詢結(jié)果準(zhǔn)確抽取并對抽取結(jié)果進(jìn)行語義標(biāo)注，從而驗證了方法的有