基于ontology的Web表格內(nèi)容抽取的研究與實現(xiàn).pdf

1、如今，Web成為了網(wǎng)絡(luò)信息的主要平臺，是人們獲取知識的主要來源。但是，由于Web頁面的無結(jié)構(gòu)性、超鏈接的自由無序、以及Web內(nèi)容的海量性、多樣性和動態(tài)變化，人們從Web上搜索真正想要的信息其實并不容易。Web信息抽取技術(shù)的發(fā)展，為現(xiàn)存的問題提供了很好的解決方案。它可以幫助人們更快更準(zhǔn)確的獲取知識。 作為一個表達(dá)關(guān)系信息的簡潔而有效的途徑，表格在Web文本中被經(jīng)常使用，根據(jù)研究發(fā)現(xiàn)，在52％的HTML文檔中，使用Table標(biāo)簽，雖

2、然其中一些表格是用來使頁面布局變得美觀，但大部分表格是用來存放數(shù)據(jù)信息。正因為表格形式簡潔并且含有豐富的信息，自動理解表格在知識管理、信息檢索、Web挖掘、摘要提取以及對移動設(shè)備的內(nèi)容傳遞等應(yīng)用中有著非常廣泛的用途。表格在網(wǎng)頁中的普遍存在性以及它們能夠簡潔直觀地描述關(guān)系信息的特性也使得他們成為Web信息抽取中吸引人的目標(biāo)，研究Web表格信息抽取對Web信息抽取技術(shù)的研究有著重要的意義。 為了將目前無序的Web改造成有序的計算機可

3、理解的知識寶庫，Web創(chuàng)始人TimBerners-Lee于1998年提出了SemanticWeb(語義Web，或語義網(wǎng))的構(gòu)想，它是當(dāng)前Web的擴展，其中的信息被賦予定義良好的含義，使計算機可以理解，從而和人更好的協(xié)作。語義Web采用多層次的表示框架，ontology位于從文檔描述到知識推理轉(zhuǎn)折的層次，因此ontology的構(gòu)建是實現(xiàn)語義Web的關(guān)鍵環(huán)節(jié)。 ontology就是用來描述某個領(lǐng)域(領(lǐng)域ontology)甚至更廣范圍

4、(通用ontology)內(nèi)的概念以及概念之間的聯(lián)系，使得這些概念和聯(lián)系在共享的范圍內(nèi)有著明確唯一的定義，達(dá)成一種共識，這樣人和機器之間就可以進(jìn)行交流。 將ontology和Web信息抽取技術(shù)相結(jié)合，利用ontology來描述和表達(dá)信息抽取的知識庫，增強抽取模板的語義表達(dá)能力，將信息抽取的重點放在特定的領(lǐng)域，可以大大提高信息抽取的準(zhǔn)確率?；趏ntology的抽取方法能將單詞映射為概念實體，更加準(zhǔn)確地體現(xiàn)文字的真實語義，同時通過o

5、ntology的類繼承關(guān)系可以體現(xiàn)單詞與單詞之間天然的聯(lián)系，使原來基于關(guān)鍵字的信息抽取的功能大大增強。 本研究小組經(jīng)過深入研究，在BYU研究小組的Web表格信息抽取模型基礎(chǔ)上，提出了一個新的模型，并將此模型應(yīng)用于一個實際的系統(tǒng)——通用Web表格信息抽取系統(tǒng)(UWIETS)中。本文對該模型中表格內(nèi)容抽取部分所涉及的理論、技術(shù)作出了進(jìn)一步研究，選取了基于ontology技術(shù)進(jìn)行表格內(nèi)容抽取，利用Jena與DOM4J實現(xiàn)了UWTIES