DEEP WEB数据集成中的实体识别方法.pdfVIP

计算机研究与发展, 卷43(增刊):46-53,2006 . (第23届中国数据库学术会议,广州.) DEEP WEB 数据集成中的实体识别方法 凌妍妍 刘伟 王仲远 艾静 孟小峰 （中国人民大学信息学院北京 100872 ） （lingyy@ ） 摘 要 互联网上存在着大量可访问的Web 数据库，不同Web数据库之间存在着内容上的重叠。来自不同Web数据库的记录虽然 在网页上的表现形式不同，但是可能描述的是同一实体。因此实体识别是 Deep Web 数据集成中数据合并过程里一个必不可少 的环节，而且是一个很具有挑战性的工作。本文对这个问题进行了深入的探讨，提出了一种新颖的方法自动完成实体识别，该 方法克服了传统的实体识别工作以模式匹配为前提的弊端，并且与领域无关。实验表明，这种方法在 Deep Web 环境下可以达 到相当高的准确性。 关键词 Deep Web; Web数据库；实体识别；数据合并 中图法分类号 TP391 Entity Identification for Deep Web Data Integration Ling Yan-Yan, Liu Wei, Wang Zhong-Yuan, Ai Jing and Meng Xiao-Feng (School of Information, Renmin University of China, Beijing, 100872) Abstract Nowadays, growing number of Web Databases emerge from the web with their contents duplicated. Two or more instances from different sources may refer to a single entity in the real world, though they are presented variously on WebPages. Therefore, entity identification is a crucial step in Web Databases integration but it’s also a challenging task. In this paper, we have probed into this issue and proposed a novel automatic approach which is domain independent. Unlike traditional approaches, our approach is implemented without schema matching. The intensive experiments on real web sites show that the proposed approach can achieve high accuracies. Key words Deep Web; Web databases; Entity identification; Data merge 挖掘方面的图书，那么需要将来自这两个不同售书 1． 引言 网站的查询结果中表示同一本书的记录识别匹配在 随着 Web 飞速发展，其所蕴含的信息量也在急 一起。 剧增长。整个 Web 按照信息深度的不同，可分为 传统的实体识别的工作中所提出的方法都是以 Surface Web 和 Deep Web 两大类。根据 Brightplanet 模式匹配为前提的，即通过对实体之间在同一属性 在 2000 年发布的调查[1]，Deep Web 中包含的信息 上的值进行比较来判断两个记录是否为同一实体。 量超过 Surface Web 上千倍，而且这个比例仍在持续 Web 中信息主要是以 Html 页面的形式发布，由于 地上升。UIUC 大学在 2004 年的调查[2]对整个 Deep Html 页面主要的作用是信息的表现，因此结构化程 Web 的规模作了一次估计，结果表明目前Deep Web 度很差，在这个前提下难以完成准确的模式匹