基于本體的DeepWeb數(shù)據(jù)集成方法研究.pdf

1、隨著Web信息的激增，越來越多的信息開始由靜態(tài)網(wǎng)頁存儲的方式向Web服務器維護的數(shù)據(jù)庫即DeepWeb轉移。與SurfaceWeb相比，DeepWeb包含的信息具有數(shù)量大、質量高、增長快等特征。近年來，對DeepWeb的研究已成為Web搜索領域的熱點。
　　DeepWeb數(shù)據(jù)集成研究的目的是實現(xiàn)對各領域DeepWeb信息的搜索，DeepWeb數(shù)據(jù)源發(fā)現(xiàn)和查詢結果頁面的數(shù)據(jù)提取是該研究的兩個關鍵點。有學者提出了基于本體的數(shù)據(jù)源發(fā)現(xiàn)框

2、架和數(shù)據(jù)提取算法，目前主流的DeepWeb數(shù)據(jù)源發(fā)現(xiàn)框架中，本體不能自動擴展，框架缺乏自適應性；運用目前的DeepWeb數(shù)據(jù)提取算法對查詢結果頁面進行數(shù)據(jù)提取，存在查全率和查準率較低的問題。
　　針對上述問題，本課題在DeepWeb數(shù)據(jù)源發(fā)現(xiàn)框架中引入了本體的自動擴展，增加框架的自適應性；采用索引相似度相結合的算法，提高對查詢結果頁面進行數(shù)據(jù)提取的查全查準率。本文的研究工作包括以下幾個方面：
　　1.研究基于本體的DeepW

3、eb數(shù)據(jù)源發(fā)現(xiàn)，采用網(wǎng)頁分類、表單內容分類和表單結構分類來確定符合某領域的DeepWeb查詢接口，在網(wǎng)頁分類和表單內容分類中增加本體的半自動構建和自動擴展模塊。在數(shù)據(jù)源發(fā)現(xiàn)的過程中，以領域專家構建的核心本體為基礎，通過提取網(wǎng)頁中與本體相似度較高詞匯作為預擴展詞匯，再結合本體擴展策略對核心本體進行擴展。
　　2.研究DeepWeb對查詢結果頁面的數(shù)據(jù)提取，提出了索引相似度相結合的數(shù)據(jù)抽取算法。通過記錄查詢結果頁面中含有關鍵字的索引，