半结构化数据的形式化描述及数据抽取方法研究.pdfVIP

第３０卷第４期　　　 计算机应用与软件 Ｖｏｌ３０Ｎｏ．４ ２０１３年４月　　 ＣｏｍｐｕｔｅｒＡｐｐｌｉｃａｔｉｏｎｓａｎｄＳｏｆｔｗａｒｅ Ａｐｒ．２０１３ 半结构化数据的形式化描述及数据抽取方法研究 １ ２ 李亚红 　赵冬玲 １（南阳理工学院计算机与信息工程学院　河南南阳４７３００４） ２（济源职业技术学院　河南济源４５４６５０） 摘　要　　半结构化数据的形式化描述和信息抽取是解决用户查询和信息获取的核心问题。随着信息资源的多样化和快速膨胀， 现有的描述和抽取方法存在召回率和查准率低等缺陷。为解决此问题，提出一种新的半结构数据形式化描述方法，重新定义领域概 念集和领域知识集，并在此基础上给出领域概念集、领域知识集的构建过程，包括领域概念的自动抽取、领域知识集关系自动构建和 相似度算法描述。实验结果表明，所提出的描述方法比现有方法具有更高召回率和查准率，具有很好的可行性和有效性。 关键词　　半结构数据　形式化描述　领域概念集　领域知识集　数据抽取 中图分类号　ＴＰ３９２　　　　文献标识码　Ａ　　　　ＤＯＩ：１０．３９６９／ｊ．ｉｓｓｎ．１０００３８６ｘ．２０１３．０４．０４０ ＲＥＳＥＡＲＣＨＯＮＦＯＲＭＡＬＤＥＳＣＲＩＰＴＩＯＮＯＦＳＥＭＩＳＴＲＵＣＴＵＲＥＤ ＤＡＴＡＡＮＤＤＡＴＡＥＸＴＲＡＣＴＩＯＮＭＥＴＨＯＤ １ ２ ＬｉＹａｈｏｎｇ　ＺｈａｏＤｏｎｇｌｉｎｇ １（ＳｃｈｏｏｌｏｆＣｏｍｐｕｔｅｒａｎｄＩｎｆｏｒｍａｔｉｏｎＥｎｇｉｎｅｅｒｉｎｇ，ＮａｎｙａｎｇＩｎｓｔｉｔｕｔｅｏｆＴｅｃｈｎｏｌｏｇｙ，Ｎａｎｙａｎｇ４７３００４，Ｈｅｎａｎ，Ｃｈｉｎａ） ２（ＪｉｙｕａｎＶｏｃａｔｉｏｎａｌａｎｄＴｅｃｈｎｉｃａｌＣｏｌｌｅｇｅ，Ｊｉｙｕａｎ４５４６５０，Ｈｅｎａｎ，Ｃｈｉｎａ） Ａｂｓｔｒａｃｔ　　Ｆｏｒｍａｌｄｅｓｃｒｉｐｔｉｏｎａｎｄｄａｔａｅｘｔｒａｃｔｉｏｎｏｆｓｅｍｉｓｔｒｕｃｔｕｒｅｄｄａｔａａｒｅｔｈｅｃｏｒｅｉｓｓｕｅｓｉｎｓｏｌｖｉｎｇｕｓｅｒｑｕｅｒｙａｎｄｉｎｆｏｒｍａｔｉｏｎａｃｃｅｓｓ． Ａｌｏｎｇｗｉｔｈｔｈｅｉｎｆｏｒｍａｔｉｏｎｒｅｓｏｕｒｃｅｓｄｉｖｅｒｓｉｆｉｃａｔｉｏｎａｎｄｒａｐｉｄｅｘｐａｎｓｉｏｎ，ｅｘｉｓｔｉｎｇｄｅｓｃｒｉｐｔｉｏｎａｎｄｅｘｔｒａｃｔｉｏｎｍｅｔｈｏｄｈａｖｅｔｈｅｄｅｆｅｃｔｓｉｎｌｏｗｒｅ ｃａｌｌｒａｔｅａｎｄｐｒｅｃｉｓｉｏｎｒａｔｅ．Ｉｎｏｒｄｅｒｔｏｓｏｌｖｅｔｈｅｍ，ａｎｅｗｆｏｒｍａｌｄｅｓｃｒｉｐｔｉｏｎｍｅｔｈｏｄｏｆｓｅｍｉｓｔｒｕｃｔｕｒｅｄａｔａｉｓｐｒｏｖｉｄｅｄｉｎｔｈｉｓｐａｐｅｒ，ｔｈｅｄｏ ｍａｉｎｃｏｎｃｅｐｔｓｅｔａｎｄｔｈｅｄｏｍａｉｎｋｎｏｗｌｅｄｇｅｓｅｔｉｓｒｅｄｅｆｉｎｅｄ．Ｂａｓｅｄｏｎｉｔ，ｔｈｅｃｏｎｓｔｒｕｃｔｉｏｎｐｒｏｃｅｓｓｏｆｄｏｍａｉｎｃｏｎｃｅｐｔｓｅｔａｎｄｄｏｍａｉｎｋｎｏｗｌ ｅｄｇｅｓｅｔａｒｅｇｉｖｅｎ，ｉｎｃｌｕｄｉｎｇｄｏｍａｉｎｃｏｎｃｅｐｔａｕｔｏｍａｔｉｃｅｘｔｒａｃｔｉｏｎ，ｄｏｍａｉｎｋｎｏｗｌｅｄｇｅｓｅｔｓａｕｔｏｍａｔｉｃｃｏｎｓｔｒｕｃｔｉｏｎａｎｄｔｈｅｓｉｍｉｌａｒｉｔｙａｌｇｏｒｉｔｈｍ ｄｅｓｃｒｉｐｔｉｏｎ．Ｅｘｐｅｒｉｍｅｎｔａｌｒｅｓｕｌｔｓｓｈｏｗｔｈａｔｔｈｅｐｒｏｐｏｓｅｄｍｅｔｈｏｄｈａｓｈｉｇｈｅｒｒｅｃａｌｌａｎｄｐｒｅｃｉｓｉｏｎｔｈａｎｔｈｅｅｘｉｓｔｉｎｇｍｅｔｈｏｄ，ａｎｄｈａｓｖｅｒｙｇｏｏｄ ｆｅａｓｉｂｉｌｉｔｙａｎｄｖａｌｉｄｉｔｙ． Ｋｅｙｗｏｒｄｓ　　Ｓｅｍｉｓｔｒｕｃｔｕｒｅｄｄａｔａ　Ｆｏｒｍａｌｄｅｓｃｒｉｐｔｉｏｎ　Ｄｏｍａｉｎｃｏｎｃｅｐｔｓｅｔ　Ｄｏｍａｉｎｋ