資源描述：
《基于模板和領(lǐng)域本體的DeepWeb信息抽取研究-論文.pdf》由會員上傳分享，免費在線閱讀，更多相關(guān)內(nèi)容在行業(yè)資料-天天文庫。
1、2014年1月計算機(jī)工程與設(shè)計Jan．2014第35卷第1期COMPUTERENGINEERINGANDDESIGNV0L35No．1基于模板和領(lǐng)域本體的DeepWeb信息抽取研究顧韻華。，高原。，高寶。，杜杰(1．南京信息工程大學(xué)江蘇省網(wǎng)絡(luò)監(jiān)控中心，江蘇南京210044；2．南京信息工程大學(xué)計算機(jī)與軟件學(xué)院，江蘇南京210044)摘要：為簡化模板的抽取規(guī)則、提高抽取的準(zhǔn)確率，提出了一種基于雙模板和領(lǐng)域本體的DeepWeb信息抽取方法。該方法采用DIV塊模板和表格模板結(jié)合的方法，建立雙模板。利用基于中文分詞的網(wǎng)頁預(yù)處理結(jié)果，在領(lǐng)域本體知識的指導(dǎo)下，通過C
2、4．5決策樹算法來訓(xùn)練分類模型，篩選出待抽取的DIV塊序號，構(gòu)建DIV塊模板，從而可以精確定位到數(shù)據(jù)塊。利用XML技術(shù)構(gòu)建XSLT文檔，得到表格模板的抽取規(guī)則，從而抽取出數(shù)據(jù)片段。選取天氣領(lǐng)域進(jìn)行DeepWeb信息抽取實驗，實驗結(jié)果表明，抽取準(zhǔn)確率和召回率都可以達(dá)到95以上，取得了較好的抽取效果。關(guān)鍵詞：DeepWeb；信息抽??；模板；領(lǐng)域本體；決策樹中圖法分類號：TP311文獻(xiàn)標(biāo)識號：A文章編號：1000—7024(2014)01—0327—06ResearchonDeepWebinformationextractionbasedontemplatea
3、nddomainontologyGuYun-hua．-，GAOYuan．-，GAOBao一，DUJie，(1．JiangsuEngineeringCenterofNetworkMonitoring。NanjingUniversityofInformationScienceandTechnology，Nanjing210044，China；2．CollegeofComputerandSoftware，NanjingUniversityofInformationScienceandTechnology，Nanjing210044，China)Abstract
4、：Tosimplifytheextractionrulesforthetemplatetoimprovetheextractionaccuracy，analgorithmbasedontemplateanddomainontologywaspresentedtoextractDeepWebinformation．ThecombinationsofDIVblocktemplateandtabletem-plateareused．UsingtheresultofwebpagepretreatmentbasedonChinesewordsegmentation
5、，undertheguidanceofdomainontologyknowledge，bythealgorithmofC4．5decisiontreetOtraintheclassifier。thenumberofextractedDIVblocksisselec-ted，andthetemplateofDIVblocksisbuiltwhichcan1ocatethedataarea．ThenXSLTdocumentisconstructedusingthetech—nologyofXML，andformingthetabletemplatehelps
6、extractingthedatafragment．TheresultoftheDeepWebinformationextractionexperimentinthefieldofweather，showthataverageaccuracyrateandrecallratecanachieveabove95andbetterextractioneffectisobtained．Keywords：DeepWeb：informationextraction；template；domainontology；decisiontreeDeepWeb信息抽取的目的
7、是從DeepWeb結(jié)果頁面中0引言抽取出有價值的信息[3]。雖然目前的抽取技術(shù)已經(jīng)發(fā)展到DeepWeb相對于表面網(wǎng)(surfaceweb)而言，蘊含著自動化程度，但抽取數(shù)據(jù)的準(zhǔn)確率較低且抽取規(guī)則的適應(yīng)更加豐富而專業(yè)的數(shù)據(jù)資源。據(jù)統(tǒng)計，中國DeepWeb大性較差。手工編寫規(guī)則可以達(dá)到很高的準(zhǔn)確率，但是規(guī)則約有24000個站點，28000個后臺數(shù)據(jù)庫和74000個查詢接繁瑣，代價也很大。本文引入DIV塊和表格雙重模板，同口，目前仍在快速增長。有效的利用DeepWeb的豐富信時，考慮信息內(nèi)部聯(lián)系，引入領(lǐng)域本體來指導(dǎo)模板的建立，息資源，能夠更好地滿足人們學(xué)習(xí)和查
8、找知識的需求?？蓽p少無關(guān)信息，簡化模板的抽取規(guī)則，提高抽取的準(zhǔn)確收稿日期：201
