基于本體的手機(jī)領(lǐng)域Web信息抽取.pdf

1、隨著電子商務(wù)的迅速發(fā)展，網(wǎng)絡(luò)信息的泛濫，用戶獲得相關(guān)信息日益困難，由此產(chǎn)生了一些強大的如淘寶網(wǎng)、京東商城等購物網(wǎng)站。但是，目前Web的數(shù)據(jù)基本上是HTML形式存儲和表示的，屬于半結(jié)構(gòu)化的數(shù)據(jù)。為了利用網(wǎng)頁中的HTML數(shù)據(jù)，Web信息抽取技術(shù)應(yīng)運而生。Web信息抽取主要對網(wǎng)絡(luò)中半結(jié)構(gòu)化的數(shù)據(jù)進(jìn)行抽取，生成結(jié)構(gòu)化的數(shù)據(jù)，實現(xiàn)數(shù)據(jù)的整合與共享。
　　目前，關(guān)于Web信息抽取方面的研究有很多。Web信息抽取的方法主要有基于自然語言處理的、

2、基于Web查詢的、基于HTML結(jié)構(gòu)的和基于本體的?；诒倔w的Web信息抽取技術(shù)，由于不依賴于Web網(wǎng)頁的結(jié)構(gòu)，而且本體可以準(zhǔn)確地描述相關(guān)的語義信息，具有簡單的推理能力，所以信息抽取的準(zhǔn)確率和召回率都得到了提高。此外，本體有許多優(yōu)點。首先，本體提供了一個豐富的、預(yù)定義的詞匯庫，可作為與數(shù)據(jù)源的穩(wěn)定的概念接口，并且獨立于數(shù)據(jù)模式。第二，本體表示的知識足夠支持所有相關(guān)信息源的轉(zhuǎn)換。第三，本體支持一致的管理和非一致數(shù)據(jù)的識別等。
　　本文

3、研究了本體及領(lǐng)域本體的相關(guān)概念，深入分析了本體構(gòu)建的方法和規(guī)則，以及信息抽取的相關(guān)知識。在此基礎(chǔ)上，本文提出了一種構(gòu)建領(lǐng)域本體的方法。在該方法的指導(dǎo)下，本文分析研究了本體概念之間的關(guān)系、概念的層次結(jié)構(gòu)、概念的等價性、屬性約束以及實例的等價性，利用Protégé工具創(chuàng)建了手機(jī)領(lǐng)域中的手機(jī)本體(MobilePhoneOntology)，對手機(jī)領(lǐng)域本體進(jìn)行推理完善。同時對待抽取Web頁面進(jìn)行預(yù)處理，利用ICTCLAS分詞工具和手機(jī)領(lǐng)域詞匯相結(jié)

4、合進(jìn)行的中文分詞處理得到處理后的文檔，利用Jena工具解析本體，獲得其中的概念、屬性以及實例等信息并保存起來，再和生成的抽取規(guī)則一起對預(yù)處理后的文檔進(jìn)行信息抽取。
　　最后，根據(jù)研究的關(guān)鍵技術(shù)，借助GATE(自然語言處理工具)平臺對電子商務(wù)網(wǎng)站上的Web網(wǎng)頁進(jìn)行抽取實驗。在實驗過程中，引進(jìn)手機(jī)本體文件、編寫處理插件、編寫詞典和映射文件、編寫規(guī)則文件等，得到實驗結(jié)果并分析，驗證信息抽取系統(tǒng)的性能。表明了本文方法的技術(shù)可行性，具有實際