基于本體的自適應Web信息抽取方法研究.pdf

1、互聯網的快速發(fā)展產生了海量的信息，由于Web頁面的多樣性和異構性，對這些的信息進行檢索和處理受到很大的限制，而Web信息抽取則致力于將這些信息轉化成結構化的數據，滿足垂直搜索引擎和數據挖掘等相關應用。同時，為了實現語義網的目標，賦予Web意義，需要對Web上的內容進行標注，基于本體的信息抽取可以產生用于語義網的元數據標注信息，將Web信息轉化成機器方便處理的數據，即語義網有效的數據。
　　 在農業(yè)領域，互聯網上積累了豐富的農業(yè)相

2、關信息資源，包括供求信息、價格信息、農業(yè)技術、市場動態(tài)、農業(yè)新聞、農業(yè)企業(yè)、農業(yè)視頻等，但缺少一致的語義表達形式，很難充分發(fā)揮這些資源的作用。此外，由于農業(yè)領域相關用戶自身知識結構水平的限制，在獲取所需要的信息時更加困難，而農業(yè)垂直搜索引擎則可以彌補這方面的不足，實現異構分散數據的集成，通過構建滿足用戶需求的專業(yè)搜索引擎，解決“三農”用戶在面對海量農業(yè)Web資源時的信息獲取瓶頸問題。本文以研究Web環(huán)境下基于本體的信息抽取方法為基礎，為

3、農業(yè)垂直搜索引擎（中國搜農）和農業(yè)數據挖掘應用提供有效的數據支持，服務于國家的農業(yè)信息化建設為目標，開展了相關的研究。論文的主要工作內容總結如下：
　　 (1)針對互聯網上網頁數據的開放性、異構性、演化性等特征，構建了一種基于本體的自適應Web信息抽取模型。模型采用模塊化的結構搭建，實現抽取算法與領域本體知識之間的分離，以及模塊功能的復用，方便系統功能的動態(tài)更新，減少信息抽取系統在跨領域移植時的開銷。
　　 (2)針對傳

4、統方法在構建本體時需要大量的人工開銷和維護困難等問題，發(fā)揮Web資源的作用，提出了一種基于Web的無監(jiān)督本體構建方法。該方法通過查詢Web獲取領域本體相關的資源，結合句法分析技術實現本體的學習，可以解決傳統方法構建本體時語料庫在規(guī)模上的限制，自適應Web知識的演化。以提出的方法為基礎，構建了蛋白質交互關系本體。
　　 (3)針對語義網和Linked Data的發(fā)展需求，實現網頁的元數據標注和挖掘不同數據之間的關系，提出了一種基于

5、本體的命名實體關系抽取方法。通過分析命名實體之間關系表達的語法結構和關系表達詞，實現關系的抽取，實驗采用生物文獻公共語料庫對算法進行了檢驗，抽取蛋白質相互作用關系，并取得了滿意的效果。提出的算法對抽取的句子實行單遍遍歷，實現適應Web規(guī)模的文本關系抽取時的計算效率問題。
　　 (4)針對AJAX技術的廣泛使用，而傳統的爬蟲無法獲取、分析和處理這些內容，我們提出了一種基于領域本體的多記錄型AJAX數據抽取模型。該模型可以有效的發(fā)現

6、網頁中含有的動態(tài)AJAX內容，在領域本體的指導下，實現對數據的抽取和語義標注。實驗以農產品供求和價格實體數據為例，驗證了抽取方法的有效性。
　　 (5)針對基于包裝器或規(guī)則的方法在抽取單記錄型HTML頁面時，無法適應頁面結構變化等不足，提出了一種采用統計學習方法實現的基于實體屬性分類的單記錄型Web頁面信息抽取和標注模型。該模型對抽取內容的頁面結構特征進行分析，通過構建相應的屬性分類器識別頁面中含有的實體屬性，實現自適應頁面結構