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，是人們獲取信息的重要來源。但是，由于Web頁面的無結(jié)構(gòu)性、超鏈接的自由無序以及Web內(nèi)容的海量性、多樣性和動態(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頁面信息項(xiàng)本體可以簡化基于本體的Web信息抽取建模的過程，其缺陷是不能有效地劃分頁面的信息抽取區(qū)域，影響抽取規(guī)則生成的準(zhǔn)確性。因此，論文基于Web頁面信息項(xiàng)本體定義，把所要提取的信息在文檔對象模型DOM層次結(jié)構(gòu)中的路徑作為信息抽取的“坐標(biāo)”，設(shè)計了一種生成提取規(guī)則的歸納學(xué)習(xí)方法。 在自動生成的Web頁面中，待抽取的目標(biāo)信息以相似結(jié)構(gòu)的信息塊子樹形式存在于Web頁面DOM樹中。論文通過對單個樣本頁面信

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