DeepWeb查詢接口模式匹配與查詢結(jié)果語義標(biāo)注研究.pdf

1、整個(gè)Web的規(guī)模和資源正在不斷擴(kuò)大、深化，其中Web數(shù)據(jù)庫資源難以通過傳統(tǒng)搜索引擎索引到，所以被稱之為“DeepWeb”，其蘊(yùn)含的信息量更大、質(zhì)量更高、結(jié)構(gòu)化程度更高、主題更專一。因此，對DeepWeb資源進(jìn)行大規(guī)模的信息集成具有重要的現(xiàn)實(shí)意義。
　　DeepWeb查詢接口是獲取Web數(shù)據(jù)庫信息的重要途徑，同時(shí)DeepWeb查詢接口模式匹配問題貫穿于DeepWeb查詢處理過程的始終。因此，本文對同一領(lǐng)域的DeepWeb查詢接口模式

2、匹配進(jìn)行了深入研究，主要研究成果如下：
　　①本文抓住某特定領(lǐng)域?qū)傩栽诟鱾€(gè)數(shù)據(jù)源中的共現(xiàn)模式，即具有組關(guān)系的屬性通常會(huì)一起出現(xiàn)，以及具有匹配關(guān)系的屬性幾乎不會(huì)一起出現(xiàn)的特點(diǎn)，從整體著眼，同時(shí)匹配所有模式。相比于模式的兩兩匹配，這種整體性的匹配方法可以挖掘出隱藏較深的匹配知識(shí)；
　?、卺槍σ延械南嚓P(guān)性度量未能準(zhǔn)確地反映屬性之間相關(guān)性強(qiáng)度的問題，為提高模式匹配的準(zhǔn)確性和完整性，本文改進(jìn)了組關(guān)系度量和匹配關(guān)系度量；
　?、劭?/p>

3、慮到匹配得分閾值因依賴于領(lǐng)域而較難確定的特點(diǎn)，為保證算法的靈活性，算法取消了該閾值的設(shè)置。
　?、茏詈?，采用一種貪心策略從找到的所有候選的復(fù)雜匹配集中，識(shí)別出具有更高匹配得分和更豐富語義的匹配關(guān)系，從而找到特定領(lǐng)域真正的多分支復(fù)雜匹配集。實(shí)驗(yàn)表明，利用本文的模式匹配算法發(fā)現(xiàn)的特定領(lǐng)域的多分支復(fù)雜匹配具有更高的準(zhǔn)確率和召回率。
　　當(dāng)Web數(shù)據(jù)庫中的數(shù)據(jù)經(jīng)查詢處理后，以HTML頁面的形式展現(xiàn)時(shí)，數(shù)據(jù)庫相關(guān)模式結(jié)構(gòu)信息完全丟失，

4、而且目前的查詢結(jié)果僅供人工瀏覽。為了使獲得的數(shù)據(jù)具有更高的使用價(jià)值，這些數(shù)據(jù)必須是機(jī)器可理解和可處理的。DeepWeb語義標(biāo)注作為DeepWeb數(shù)據(jù)集成中查詢處理模塊的一個(gè)重要分支，其主要工作是對從DeepWeb查詢結(jié)果頁面中抽取的數(shù)據(jù)添加相應(yīng)的語義信息，使得計(jì)算機(jī)能夠理解并處理這些數(shù)據(jù)，進(jìn)而方便數(shù)據(jù)集成系統(tǒng)中后續(xù)模塊的執(zhí)行。因此，本文對DeepWeb查詢結(jié)果的語義標(biāo)注做了深入研究，主要研究成果如下：
　?、偻ㄟ^分析Web數(shù)據(jù)庫查

5、詢接口頁面和查詢結(jié)果頁面數(shù)據(jù)的特征，歸納總結(jié)出一些啟發(fā)式信息，即考慮一些領(lǐng)域知識(shí)和特定領(lǐng)域中某些屬性在位置上的鄰接關(guān)系，從而提出了基于啟發(fā)式信息的語義標(biāo)注方法；
　?、谥饤l地將這些啟發(fā)式信息對待標(biāo)注的數(shù)據(jù)進(jìn)行分析，從而找出每個(gè)待標(biāo)注數(shù)據(jù)單元的語義詞匯，并生成XML格式的標(biāo)注文件。最后，將本文的方法對多個(gè)領(lǐng)域的DeepWeb數(shù)據(jù)進(jìn)行語義標(biāo)注實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果表明，本文提出的標(biāo)注方法對于DeepWeb查詢結(jié)果數(shù)據(jù)具有較好的標(biāo)注效果。