一种基于领域本体的Deep Web数据自动标注方法.pdfVIP

第 3l卷第4期 苏 州 大 学 学 报 (工 科 版) Vol_31 No．4 2011年 8月 JOURNALOFSOOCHOW UNIVERSITY(ENGINEERINGSCIENCEEDITION) Aug．2011 文章编号：1673—047X(2011)一04—0011—05 一 种基于领域本体的DeepWeb数据 自动标注方法 杨 舟 ，岳 亮 ，卓 林 ，赵朋朋 ，崔志明 (1．苏州大学智能信息处理及应用研究所，江苏 苏州215006；2．江苏省现代企业信息化应,q1支撑软件工程技术研发中心，江苏苏州215104) 摘 要：为了准确全面地对DeepWeb查询结果页面的数据进行语义标注，将领域本体作为Web数 据库所应遵循的全局模式引入到语义标注的研究中，通过建立起接 口模式、结果模式与本体间的映 射来实现数据 的自动语义标注。针对多个不同领域的Web数据库进行实验测试，证明了该方法是 有效的。 关键词 ：DeepWeb；数据标注；本体；模式匹配 中图分类号：TP399 文崮标 识码 ：A 0 引 言 DeepWeb是指Web中可访问的在线数据库，其 内容通常是由用户在查询接 口页面提交查询请求获得 的。研究表明，DeepWeb中包含了大量有价值的信息，其信息量是普通网页的550倍，而且还在快速增长。 为了有效利用DeepWeb中的信息，需要对这些不同数据源中的信息进成集成，在集成的过程中，结果页面中 的数据会被抽取出来。但这些被抽取出的数据通常是机器不可理解的，因此必须为其添加语义标注。经过标 注后，抽取出的数据便具有了其代表的含义，从而便于后续的集成工作。 目前针对数据标注的研究还处于起步阶段，主要分为启发式规则和模式匹配两种。文献[1]使用启发式 规则方式进行语义标注，这种方法只能对部分抽取到的数据进行标注，且准确率较低。文献 [2—3]提出了模 式匹配标注思想，对各个Web数据库的模式之间建立匹配关系，利用预先建立的模式匹配关系对数据添加语 义。这种方法受到页面结构化程度的影响，对于那些结构化程度较低的结果页面，很难保证其正确性。 本文为了达到较好的DeepWeb数据标注效果，利用领域本体，结合Web的接 口模式和结果模式，建立了 一 个统一的全局模式，并在它们之间建立起映射关系，以达到最终的标注结果。 1 研究思路 本文利用了本体所具有强语义表达能力的特点，将其用于查询接 口和查询结果的分析，用本体表示一个 特定领域资源的特征，建立起一个概念的层次树结构，最底层节点是属于父节点概念的实例集合，这样 ，通过 实例查询可以估计每层的每个分类在一个Web数据库中所拥有的信息比例，能够更好地刻画Web数据库在 这个属性上的特征，从而解决标注DeepWeb数据的问题。其定义就是假设有一个词汇集合 W={W，W，…， }，一个待标注的查询结果的属性集合 V= ，：，…， }。语义标注就是要对每一个 ∈V，找到一个合适 的 f， 以较准确地描述 的语义，也就是建立集合 {wi wj ∈V， W}。本文方法包含两个模 块：本体映射模块、语义标注与抽取模块。图1给出了数据标注的设计框架。 收稿 日期：2010—03—24 作者简介：杨 舟(1985一)，男，硕士研究生，主要研究方向为智能信息处理。 基金项目：国家 自然科学基金资助项 目(编；2008年江苏省重大科技支撑与自主创新项 目(编号BE2008044)。 12 苏州大学学报 (工科版) 第31卷 图1 数据标注的设计框架 2 本体与模式间的映射 引入领域本体的目的是给所有的DeepWeb数据库提供一个普遍遵循的统一规范，从而解决不同网站的 接 口模式与结果模式的异构性问题以及接 口模式缺失和结果模式不明显的问题，但由于接 口模式与结果模式 是对DeepWeb查询结果最直接的说明，因此本文没有完全放弃接 口模式和结果模式，而是在两种模式与本 体概念之间建立起一种映射关系，从而实现互补，更好地完成标注的结果。 2．1 接 口模式与结果模式特征分析 查询接 口通常是获取DeepWeb信息的唯一人VI。查询接1：3页面中含