網(wǎng)絡(luò)表格的實體列發(fā)現(xiàn)與標(biāo)識.pdf

1、互聯(lián)網(wǎng)上包含大量主題豐富的數(shù)據(jù)表，這些表一般用于描述實體，或者記錄實體與實體之間的聯(lián)系，然而表格自身因為缺少包含語義的表名、列名等關(guān)鍵信息，使得計算機(jī)無法自動識別出表格本身的語義，這給相關(guān)表查找和關(guān)鍵字檢索都帶來了困難，網(wǎng)絡(luò)表格本身的價值亦無法得到充分利用。為了使得計算機(jī)能夠準(zhǔn)確理解網(wǎng)絡(luò)表格的主題，目前主流方法是:首先，為每一列尋找列標(biāo)簽，然后分析標(biāo)簽與標(biāo)簽之間的關(guān)系，進(jìn)而通過發(fā)現(xiàn)表格實體列來標(biāo)識網(wǎng)絡(luò)表格的主題。而傳統(tǒng)的實體列發(fā)現(xiàn)方法，

2、只進(jìn)行單實體列發(fā)現(xiàn)，不考慮表格包含多個實體列的情況。另外，傳統(tǒng)的實體列發(fā)現(xiàn)方法因為沒有考慮到網(wǎng)絡(luò)表格結(jié)構(gòu)的不規(guī)范性，單實體列發(fā)現(xiàn)算法的效果也并不理想。本文在傳統(tǒng)實體列發(fā)現(xiàn)方法的基礎(chǔ)上，對實體列發(fā)現(xiàn)算法進(jìn)行改進(jìn)，使之不僅可以發(fā)現(xiàn)單實體列，而且也可以發(fā)現(xiàn)多實體列。論文的主要研究工作如下:
　　(1)針對于列標(biāo)簽恢復(fù)，本文在傳統(tǒng)算法的基礎(chǔ)上進(jìn)行改進(jìn)，綜合考慮概念關(guān)系匹配的可能度和匹配次數(shù)兩個因素，來提高列標(biāo)簽恢復(fù)的質(zhì)量。
　　(2

3、)提出一種基于結(jié)點語義重要性的最強(qiáng)實體列發(fā)現(xiàn)算法用來發(fā)現(xiàn)表格的單實體列，該算法首先構(gòu)造表模式拓?fù)鋱D，然后借鑒PageRank思想，綜合考慮入鏈質(zhì)量和入鏈次數(shù)兩個因素來評價結(jié)點，得出最能代表表格語義的最強(qiáng)實體列。該方法不僅適用于完全屬性依賴的情況，還適用于傳遞屬性依賴、或者非完全屬性依賴的情況。
　　(3)提出一種基于分裂的實體列發(fā)現(xiàn)方法，該方法彌補(bǔ)了傳統(tǒng)算法只能發(fā)現(xiàn)單實體列的弊端，對單實體列和多實體列都有很好的發(fā)現(xiàn)作用。