網(wǎng)絡(luò)表格擴(kuò)展技術(shù)研究.pdf

1、互聯(lián)網(wǎng)的快速發(fā)展使得網(wǎng)絡(luò)上的數(shù)據(jù)量急速增加，幾乎每一個(gè)被瀏覽的網(wǎng)頁中都包含了信息豐富的HTML表格，稱之為網(wǎng)絡(luò)表格。用戶通過搜索引擎查詢并獲取有用信息時(shí)，網(wǎng)絡(luò)表格相對于文本等數(shù)據(jù)形式具有更好的結(jié)構(gòu)化特性，可以使人們非常清晰直觀地看到自己感興趣的信息。網(wǎng)絡(luò)表格擴(kuò)展是根據(jù)已知信息去擴(kuò)展與主列相關(guān)的其他屬性列信息，滿足用戶整合結(jié)構(gòu)化信息的需要。
　　已有的表格擴(kuò)展查詢系統(tǒng)存在一定的局限性:一方面，這些系統(tǒng)主要針對由主列和待擴(kuò)展列組成的實(shí)

2、體-屬性二元表進(jìn)行單列擴(kuò)展，將該算法用于多個(gè)待擴(kuò)展列的表格時(shí)，多個(gè)二元表合并而成的結(jié)果容易出現(xiàn)實(shí)體不一致現(xiàn)象;另一方面，這些系統(tǒng)提供給用戶的結(jié)果表多數(shù)是唯一的，當(dāng)用戶想要根據(jù)機(jī)器提供的多列擴(kuò)展結(jié)果來檢查數(shù)據(jù)源，辨別或手動修正一些錯誤信息時(shí)，唯一的結(jié)果表無法滿足用戶的篩選需求。
　　針對以上問題，本文對網(wǎng)絡(luò)表格擴(kuò)展做了深入研究，具體工作如下:
　　(1)為了避免不一致現(xiàn)象的發(fā)生，本文根據(jù)列重合度設(shè)計(jì)列映射算法，實(shí)現(xiàn)了基于列重合

3、度的網(wǎng)絡(luò)表格一致性擴(kuò)展方法(Column-Overlap Consistent Augmentation,CCA)。CCA方法對查詢表進(jìn)行預(yù)處理，綜合考慮各個(gè)屬性列間以及各元組行之間的關(guān)系，首次提出一致性支持度的概念，并將一致性支持度應(yīng)用于填值算法。相關(guān)實(shí)驗(yàn)表明，CCA方法在多列擴(kuò)展問題上與現(xiàn)有方法相比有更高的精確度、覆蓋率和一致性，以及更低的查詢時(shí)間代價(jià)。CCA既能保證候選表的高支持度，又能使結(jié)果表中填值所使用的數(shù)據(jù)源數(shù)目最少，有效地

4、避免了實(shí)體不一致問題。
　　(2)為了滿足用戶的篩選需求，本文在CCA方法的基礎(chǔ)上改進(jìn)填值算法，設(shè)計(jì)并實(shí)現(xiàn)了網(wǎng)絡(luò)表格的Top-k擴(kuò)展方法（Top-k Augmentation of Web Table，TAT），提出Top-k支持度的概念，實(shí)現(xiàn)互斥型和迭代型Top-k擴(kuò)展算法，根據(jù)用戶需求迭代給出Top-k個(gè)多樣化結(jié)果供用戶篩選和修正。實(shí)驗(yàn)表明，TAT很好地實(shí)現(xiàn)了Top-k結(jié)果表的展現(xiàn)，各個(gè)結(jié)果表的可靠性和結(jié)果集的多樣性均呈現(xiàn)出理