改进基于本体Web信息抽取.pdfVIP

第３０卷第７期　　　 计算机应用与软件 Ｖｏｌ３０Ｎｏ．７ ２０１３年７月　　 ＣｏｍｐｕｔｅｒＡｐｐｌｉｃａｔｉｏｎｓａｎｄＳｏｆｔｗａｒｅ Ｊｕｌ．２０１３ 改进的基于本体的Ｗｅｂ信息抽取 陈　雪　梁永全　赵相彬 （山东科技大学信息科学与工程学院　山东青岛２６６５９０） 摘　要　　针对Ｗｅｂ信息抽取主要依据内容进行抽取的思想，通过对基于本体的Ｗｅｂ信息抽取技术的分析，在对网页进行预处理 的过程中引入网页分块思想。通过网页分块技术准确提取出所需信息的抽取区域，再根据本体抽取规则对得到的抽取区域进行处 理，最终得到需要的信息。实验验证了改进的基于本体的Ｗｅｂ信息抽取算法具有更高的准确率和召回率，具有良好的应用前景。 关键词　　信息抽取　网页分块　本体　抽取规则　准确率 中图分类号　ＴＰ３　　　　文献标识码　Ａ　　　　ＤＯＩ：１０．３９６９／ｊ．ｉｓｓｎ．１０００３８６ｘ．２０１３．０７．００５ ＩＭＰＲＯＶＥＤＯＮＴＯＬＯＧＹＢＡＳＥＤＷＥＢＩＮＦＯＲＭＡＴＩＯＮＥＸＴＲＡＣＴＩＯＮ ＣｈｅｎＸｕｅ　ＬｉａｎｇＹｏｎｇｑｕａｎ　ＺｈａｏＸｉａｎｇｂｉｎ （ＣｏｌｌｅｇｅｏｆＩｎｆｏｒｍａｔｉｏｎＳｃｉｅｎｃｅａｎｄＴｅｃｈｎｏｌｏｇｙ，ＳｈａｎｄｏｎｇＵｎｉｖｅｒｓｉｔｙｏｆＳｃｉｅｎｃｅａｎｄＴｅｃｈｎｏｌｏｇｙ，Ｑｉｎｇｄａｏ２６６５９０，Ｓｈａｎｄｏｎｇ，Ｃｈｉｎａ） Ａｂｓｔｒａｃｔ　　ＩｎｌｉｇｈｔｏｆｔｈｅｉｄｅａｔｈａｔｔｈｅＷｅｂｉｎｆｏｒｍａｔｉｏｎｅｘｔｒａｃｔｉｏｎｍａｉｎｌｙｔｏｂｅｄｏｎｅａｃｃｏｒｄｉｎｇｔｏｔｈｅｃｏｎｔｅｎｔ，ｂｙａｎａｌｙｓｉｎｇｔｈｅｏｎｔｏｌｏｇｙ ｂａｓｅｄＷｅｂｉｎｆｏｒｍａｔｉｏｎｅｘｔｒａｃｔｉｏｎｔｅｃｈｎｏｌｏｇｙ，ｗｅｉｎｔｒｏｄｕｃｅｗｅｂｐａｇｅｓｅｇｍｅｎｔａｔｉｏｎｃｏｎｃｅｐｔｉｎｔｈｅｐｒｏｃｅｓｓｏｆｗｅｂｐａｇｅｐｒｅｔｒｅａｔｍｅｎｔ．Ｔｈｒｏｕｇｈ ｔｈｅｗｅｂｐａｇｅｓｅｇｍｅｎｔａｔｉｏｎｔｅｃｈｎｏｌｏｇｙｗｅａｃｃｕｒａｔｅｌｙｅｘｔｒａｃｔｔｈｅｅｘｔｒａｃｔｉｏｎｒｅｇｉｏｎｏｆｔｈｅｒｅｑｕｉｒｅｄｉｎｆｏｒｍａｔｉｏｎ，ｔｈｅｎｐｒｏｃｅｓｓｉｔａｃｃｏｒｄｉｎｇｔｏ ｏｎｔｏｌｏｇｙｅｘｔｒａｃｔｉｏｎｒｕｌｅｓ，ａｎｄｕｌｔｉｍａｔｅｌｙｇｅｔｔｈｅｉｎｆｏｒｍａｔｉｏｎｒｅｑｕｉｒｅｄ．Ｔｈｒｏｕｇｈｔｈｅｅｘｐｅｒｉｍｅｎｔｓｗｅｖｅｒｉｆｙｔｈａｔｔｈｅｉｍｐｒｏｖｅｄｏｎｔｏｌｏｇｙｂａｓｅｄ Ｗｅｂｉｎｆｏｒｍａｔｉｏｎｅｘｔｒａｃｔｉｏｎａｌｇｏｒｉｔｈｍｈａｓｈｉｇｈｅｒｐｒｅｃｉｓｉｏｎａｎｄｒｅｃａｌｌｒａｔｅ，ａｎｄｈａｓｇｏｏｄｐｒｏｓｐｅｃｔｓｉｎｐｒａｃｔｉｃａｌａｐｐｌｉｃａｔｉｏｎｓ． Ｋｅｙｗｏｒｄｓ　　Ｉｎｆｏｒｍａｔｉｏｎｅｘｔｒａｃｔｉｏｎ　Ｗｅｂｐａｇｅｓｅｇｍｅｎｔａｔｉｏｎ　Ｏｎｔｏｌｏｇｙ　Ｅｘｔｒａｃｔｉｏｎｒｕｌｅｓ　Ｐｒｅｃｉｓｉｏｎ 行识别和提取。上述方法或者偏重于对网页结构的分析，或者 ０　引　言 偏重于本体的建模与转换，抽取结果常常受无关信息的干扰，影 响抽取的准确率。通过对前人的研究进行分析和比较，本文在 网络技术的发展使得各领域的信息急剧增长，因而导致了 使用本体对Ｗｅｂ信息进行抽取的过程中，引入网页分块处理思 信息过载。数据量虽然增加了，但是我们能够吸收和处理的数 想。在网页预处理时，先通过对网页进行分块处理，将无关的图 据是不变的。当前从Ｗｅｂ中抽取有价值的信息主要是通过关 片块、广告块以及连接块等进行删除，再根据本体抽取规则进行 键字匹配，然而搜索引擎只能恶化通过很少的关键字得到大量 信息的抽取，有效地提高了信息抽取的召回率和准确率。 信息这一问题，因此信息抽取