Web旅游信息集成中的信息融合研究.pdfVIP

摘 要 自从数字化信息时代的到来，我国传统旅游业的发展紧跟时代的步伐，各 大旅游网站在Web 上如雨后春笋般不断涌现。然而，正是如此多的网站，导致 众说纷纭，极易出现数 不一致现象；并且，用户的需求多种多样，而一个网 站的数据量往往有限，致使需求得不到满足。因此，为了满足广大用户需求， 向用户提供一个可以全面展现旅游景点信息的查询平台，并且可以应用于现有 旅游网站或者旅游信息终端机等领域，本文对Web 上已有的旅游信息进行集成， 旨在构建更全面的旅游信息集成系统。 首先，本文利用爬虫工具从百度百科、中国旅游网、欣欣网、驴妈妈网、 驴评网抓取各种文本信息，并完成去除文本中的标签、网络格式符等数据清洗 工作，以及分词、词性标注、字段抽取等预处理工作，构建数 集；其次，对 从百度百科中采集的文本进行分类处理，区分出景点及其相关文本；再次， 别景点数 间的不一致现象，应用实体 别技术解决现存的同名不同景、同景 不同名问题，使得景点数据更加完备与统一；最后，由于存在多个文本描述同 一景点，并且这些文本内容又时有交叠，为了在用户眼前呈现一个完整、可读 的文本，本文在文本相似性度量的基础上，删除相似文本片段，并将不相似文 本进行融合，从而形成信息面更广的介绍文本。 在此，本文主要做了如下贡献 (1) 结合Web 抓取文本内容的特点，利用 特征词权重对文本进行向量表示，提出了一种基于特征词权重的文本分类算法； (2) 针对旅游景点的实体识别，来自不同数 源的实体集区别对待，并且使用 交叉验证进一步提高实体识别的精准性；(3) 提出一种为文本融合服务的文本 相似性度量方法，依据段落中的名词，计算文本段落间以及段落与文本间的共 同相似性，进而融合不同的文本。 关键词：Web 旅游信息集成；文本分类；实体识别；文本相似性度量 1 PDF pdfFactory Pro Abstract Since stepping into digital era, development of our traditional tourism keep pace with the times, lots of travel sites have sprung up all over the Web. However, there are so many sites that result in divergent opinions, and at the same time easy to appear data inconsistency phenomenon; moreover, the needs of users are varied, but the data of one website is often limited, so demands can not be met. Therefore, in order to satisfy the requirements of more users, and provide users with search platform which can show comprehensive tourist information and be applied in exis