Deep Web數據抽取及語義標注研究.pdf

1、隨著計算機和網絡技術的快速發(fā)展，互聯(lián)網在人們的日常生活中發(fā)揮著越來越重要的作用。信息檢索作為互聯(lián)網應用的重要組成部分，是用戶獲取信息的主要方法。目前，信息檢索一般通過搜索引擎完成。由于技術原因，傳統(tǒng)的搜索引擎只能發(fā)現靜態(tài)網頁內容，而無法獲取Web數據庫中的信息。如何能夠充分利用Web數據庫中豐富的資源，成為一個值得研究的問題。
　　 存儲在Web數據庫中、不能通過超鏈接訪問的資源集合被稱為Deep Web。為自動獲取Deep W

2、eb背后眾多Web數據庫中的資源，需要建立Deep Web數據集成系統(tǒng)，該系統(tǒng)的查詢結果處理模塊分為數據抽取和語義標注兩部分。數據抽取是指通過技術手段將Web頁面上的數據抽取出來，保存為XML文檔或關系模式，作為下一步處理的基礎。語義標注是指對抽取出的數據增加語義注釋，便于計算機識別與處理，從而具有更高的利用價值。
　　 本文使用Xpath技術完成Deep Web數據抽取并提出一種基于中文詞性和領域知識的語義標注方法。基于Xpa

3、th的數據抽取方法首先將Deep Web查詢結果頁面規(guī)范化為XML格式，然后在遍歷XML文檔的過程中確定待抽取數據路徑表達式，最后根據該表達式完成數據抽取并保存為XML格式。語義標注給抽取出的數據增加語義信息。本文所述語義標注方法借助中文分詞工具得到抽取結果的詞性，并根據詞性或詞性組合與語義建立映射規(guī)則，同時結合領域知識進行語義標注。實驗表明，本文所述方法能夠對Deep Web查詢結果準確抽取并對抽取結果進行語義標注，從而驗證了方法的有