應(yīng)用于網(wǎng)上圖書領(lǐng)域的Deep Web實體識別.pdf

1、建立Deep Web集成系統(tǒng)是目前的研究熱點，但由于不同網(wǎng)站對同一實體的數(shù)據(jù)描述在表現(xiàn)形式上存在著差別，導(dǎo)致冗余信息多，給用戶的查詢帶來不便。實體識別是Deep Web集成系統(tǒng)中一個至關(guān)重要的環(huán)節(jié)，它的目的就是去掉結(jié)果中的重復(fù)數(shù)據(jù)，即降低數(shù)據(jù)的冗余度。本文主要對Deep Web數(shù)據(jù)集成中的實體識別進行了深入的研究。
　　 針對中文圖書領(lǐng)域Deep Web實體識別，通過分析各個網(wǎng)站對圖書信息的描述形式，發(fā)現(xiàn)不同的網(wǎng)上書店對同一本書

2、的描述通常存在著差別，而對不同圖書的描述又可能非常相近。由于上述情況的存在，本文提出了基于改進Jaccard系數(shù)和領(lǐng)域本體的Deep Web實體識別方法。在圖書文本屬性中，直接應(yīng)用Jaccard系數(shù)進行計算，不能解決在文本屬性中出現(xiàn)的某一屬性值非常相近而其他各個屬性都完全相同的情況。本文在實體識別的過程中對Jaccard系數(shù)進行了兩點改進，一是為文本分詞后的單詞增加權(quán)重系數(shù)，二是字符串匹配時的包含關(guān)系用系數(shù)m來確定。利用改進Jaccar