Deep Web數(shù)據(jù)抽取和語義標注技術研究.pdf

1、Web數(shù)據(jù)庫根據(jù)用戶提交的請求，將其內容以HTML頁面的形式動態(tài)呈現(xiàn)出來，這些信息稱之為Deep Web資源。而HTML語言的特點是在Web上發(fā)布的，內容多樣，形式各異，使得Web上的數(shù)據(jù)處于雜亂無序的狀態(tài)，給數(shù)據(jù)集成系統(tǒng)的建立造成了極大的困難。因此，需要通過各種技術手段將網(wǎng)頁中的無結構或者半結構化數(shù)據(jù)抽取出來。同時為了使抽取獲得的數(shù)據(jù)具有更高的使用價值，這些數(shù)據(jù)應該被應用程序所理解，必須為其添加語義注釋。
　　 本文重點分析了

2、Deep Web數(shù)據(jù)抽取和語義標注的已有技術，并在此基礎上分別提出了一種基于模板的數(shù)據(jù)抽取方法和一種基于包裝器的語義標注方法，最后整合上述研究模塊，設計和實現(xiàn)了一個面向求職領域的垂直搜索引擎系統(tǒng)。
　　 本文主要研究的內容包括：
　　 (1)研究如何從一系列同模板生成的網(wǎng)頁中檢測出其背后的模板，并利用模板將嵌入的數(shù)據(jù)自動抽取出來。給出了模板生成問題的形式化描述，提出了一種新穎的模板生成方法，并利用生成的模板從實例網(wǎng)頁中抽

3、取數(shù)據(jù)。與現(xiàn)有方法相比，該方法能適用“列表頁面”和“詳細頁面”兩種類型網(wǎng)頁。通過在多個領域實例站點上實驗，說明新方法在不降低已有方法準確率的情況T能進一步提高抽取的召回率。
　　 (2)為了準確且完整地對抽取的數(shù)據(jù)進行語義標注，提出一種基于包裝器的語義標注方法。該方法利用多個標注源進行組合標注，有效解決了單標注源標注率不高問題；同時針對標注不完全問題，提出了利用多個數(shù)據(jù)源的互補關系進行標注；最后生成高效率的標注包裝器對抽取結果自