半結(jié)構(gòu)化的生物信息數(shù)據(jù)抽取技術(shù)的研究.pdf

1、隨著互聯(lián)網(wǎng)的飛速發(fā)展，Web已經(jīng)發(fā)展成為一個巨大的、分布和共享的信息資源，但目前Web文檔多數(shù)以半結(jié)構(gòu)化的HTML形式發(fā)布數(shù)據(jù)，這樣使得研究人員無法直接利用Web上的海量信息。為解決這一難題，出現(xiàn)了Web信息抽取技術(shù)。同時，生物信息學也在日益更新，利用最新的生物信息數(shù)據(jù)來進行研究變得非常重要。論文在此背景下，結(jié)合生物學數(shù)據(jù)特點，將信息抽取技術(shù)應用于生物信息數(shù)據(jù)的提取。 在信息抽取中，最難解決的是關(guān)鍵信息的定位。對于生物信息數(shù)據(jù)，

2、還涉及到同義詞和一詞多義的難題。本體是語義Web的基礎，通過對領域內(nèi)知識進行描述，能提供一種明確定義的共識來解決語義方面的問題。論文通過研究語義Web和本體Ontology技術(shù)，以及半結(jié)構(gòu)化Web信息抽取技術(shù)，提出了一種可行的半結(jié)構(gòu)化Web生物信息數(shù)據(jù)抽取技術(shù)，并以原型系統(tǒng)WBIDE(WebBiologicalInformationDataExtractionPrototypeSystem)進行展示。WBIDE原型系統(tǒng)所用抽取技術(shù)的主要

3、思想是：通過建立生物信息本體庫，利用本體庫的語義信息來指導數(shù)據(jù)項的抽取；通過轉(zhuǎn)換HTML為結(jié)構(gòu)化的文檔，并利用DOM樹解析文檔，用戶根據(jù)需要指定相應的路徑Xpath，獲取所需的數(shù)據(jù)塊；通過數(shù)據(jù)塊的結(jié)構(gòu)特征，進行數(shù)據(jù)項的抽取。通過Matcher算法，將數(shù)據(jù)項提取為結(jié)構(gòu)化的數(shù)據(jù)，便于研發(fā)。 論文工作實現(xiàn)了半結(jié)構(gòu)化Web生物數(shù)據(jù)抽取原型系統(tǒng)(WBIDE)，解決了信息抽取中的語義問題，也為用戶提供了一個快捷，充分使用Web上海量數(shù)據(jù)的有