網(wǎng)絡(luò)表格的實(shí)體列發(fā)現(xiàn)方法研究.pdf

1、互聯(lián)網(wǎng)上包含大量?jī)r(jià)值極高的網(wǎng)絡(luò)表格，機(jī)器卻無法理解，只有標(biāo)注出表格的語(yǔ)義信息，才能更好地利用這些結(jié)構(gòu)化數(shù)據(jù)。網(wǎng)絡(luò)表格的實(shí)體列在一定程度上表達(dá)了表格的語(yǔ)義信息，準(zhǔn)確地探測(cè)實(shí)體列能夠大大提升機(jī)器對(duì)表格語(yǔ)義的理解程度。目前，人們提出了基于知識(shí)庫(kù)的實(shí)體列發(fā)現(xiàn)方法，這些方法僅僅依靠表頭和知識(shí)庫(kù)信息的匹配情況來進(jìn)行實(shí)體列發(fā)現(xiàn)，不僅對(duì)一些表頭語(yǔ)義模糊或者其表頭不存在于知識(shí)庫(kù)的表格無能為力，而且不能發(fā)現(xiàn)多實(shí)體列表格中的具體實(shí)體屬性關(guān)系，并且算法的準(zhǔn)確率

2、和執(zhí)行時(shí)間方面的表現(xiàn)也不理想。
　　本文提出基于屬性間依賴關(guān)系的實(shí)體列發(fā)現(xiàn)方法，主要研究工作如下:
　　(1)提出一種基于屬性間依賴關(guān)系的實(shí)體列發(fā)現(xiàn)方法。該方法不依賴知識(shí)庫(kù)和表頭信息，不僅提高了實(shí)體列的發(fā)現(xiàn)效率，而且增強(qiáng)了算法適用性。
　　(2)提出一種適應(yīng)網(wǎng)絡(luò)表格特點(diǎn)的近似函數(shù)依賴檢測(cè)方法。考慮表格中的噪聲因素，使其能更加準(zhǔn)確地表達(dá)網(wǎng)絡(luò)表格屬性間的函數(shù)依賴關(guān)系。
　　(3)提出實(shí)體屬性依賴強(qiáng)度的概念，并由此定義

3、實(shí)體列的語(yǔ)義強(qiáng)度。由實(shí)體屬性之間的依賴強(qiáng)度判斷實(shí)體列的語(yǔ)義強(qiáng)度，進(jìn)而提高最強(qiáng)實(shí)體列探測(cè)的準(zhǔn)確度。
　　(4)在基于屬性間依賴關(guān)系算法的基礎(chǔ)上引入實(shí)體屬性依賴強(qiáng)度的概念。不僅可以按照實(shí)體列的語(yǔ)義強(qiáng)度進(jìn)行實(shí)體列發(fā)現(xiàn)，而且還能夠根據(jù)實(shí)體屬性的依賴強(qiáng)度標(biāo)注具體關(guān)系。
　　大量實(shí)驗(yàn)結(jié)果表明，本文提出的近似函數(shù)依賴檢測(cè)方法具有明顯的降噪作用。本文提出的基于屬性間依賴關(guān)系的實(shí)體列發(fā)現(xiàn)方法均在有效性和時(shí)間效率上有優(yōu)秀的表現(xiàn)，并且適用性更強(qiáng)。