本文關(guān)鍵詞： 信息獲取 信息抽取 本體學(xué)習(xí) 自適應(yīng)信息抽取 領(lǐng)域資源發(fā)現(xiàn)關(guān)系抽取 基于本體的信息抽取　出處：《中國科學(xué)技術(shù)大學(xué)》2012年博士論文　論文類型：學(xué)位論文

【摘要】：互聯(lián)網(wǎng)的快速發(fā)展產(chǎn)生了海量的信息,由于Web頁面的多樣性和異構(gòu)性,對這些的信息進(jìn)行檢索和處理受到很大的限制,而Web信息抽取則致力于將這些信息轉(zhuǎn)化成結(jié)構(gòu)化的數(shù)據(jù),滿足垂直搜索引擎和數(shù)據(jù)挖掘等相關(guān)應(yīng)用。同時(shí),為了實(shí)現(xiàn)語義網(wǎng)的目標(biāo),賦予Web意義,需要對Web上的內(nèi)容進(jìn)行標(biāo)注,基于本體的信息抽取可以產(chǎn)生用于語義網(wǎng)的元數(shù)據(jù)標(biāo)注信息,將Web信息轉(zhuǎn)化成機(jī)器方便處理的數(shù)據(jù),即語義網(wǎng)有效的數(shù)據(jù)。 在農(nóng)業(yè)領(lǐng)域,互聯(lián)網(wǎng)上積累了豐富的農(nóng)業(yè)相關(guān)信息資源,包括供求信息、價(jià)格信息、農(nóng)業(yè)技術(shù)、市場動(dòng)態(tài)、農(nóng)業(yè)新聞、農(nóng)業(yè)企業(yè)、農(nóng)業(yè)視頻等,但缺少一致的語義表達(dá)形式,很難充分發(fā)揮這些資源的作用。此外,由于農(nóng)業(yè)領(lǐng)域相關(guān)用戶自身知識結(jié)構(gòu)水平的限制,在獲取所需要的信息時(shí)更加困難,而農(nóng)業(yè)垂直搜索引擎則可以彌補(bǔ)這方面的不足,實(shí)現(xiàn)異構(gòu)分散數(shù)據(jù)的集成,通過構(gòu)建滿足用戶需求的專業(yè)搜索引擎,解決“三農(nóng)”用戶在面對海量農(nóng)業(yè)Web資源時(shí)的信息獲取瓶頸問題。本文以研究Web環(huán)境下基于本體的信息抽取方法為基礎(chǔ),為農(nóng)業(yè)垂直搜索引擎(中國搜農(nóng))和農(nóng)業(yè)數(shù)據(jù)挖掘應(yīng)用提供有效的數(shù)據(jù)支持,服務(wù)于國家的農(nóng)業(yè)信息化建設(shè)為目標(biāo),開展了相關(guān)的研究。論文的主要工作內(nèi)容總結(jié)如下： (1)針對互聯(lián)網(wǎng)上網(wǎng)頁數(shù)據(jù)的開放性、異構(gòu)性、演化性等特征,構(gòu)建了一種基于本體的自適應(yīng)Web信息抽取模型。模型采用模塊化的結(jié)構(gòu)搭建,實(shí)現(xiàn)抽取算法與領(lǐng)域本體知識之間的分離,以及模塊功能的復(fù)用,方便系統(tǒng)功能的動(dòng)態(tài)更新,減少信息抽取系統(tǒng)在跨領(lǐng)域移植時(shí)的開銷。 (2)針對傳統(tǒng)方法在構(gòu)建本體時(shí)需要大量的人工開銷和維護(hù)困難等問題,發(fā)揮Web資源的作用,提出了一種基于Web的無監(jiān)督本體構(gòu)建方法。該方法通過查詢Web獲取領(lǐng)域本體相關(guān)的資源,結(jié)合句法分析技術(shù)實(shí)現(xiàn)本體的學(xué)習(xí),可以解決傳統(tǒng)方法構(gòu)建本體時(shí)語料庫在規(guī)模上的限制,自適應(yīng)Web知識的演化。以提出的方法為基礎(chǔ),構(gòu)建了蛋白質(zhì)交互關(guān)系本體。 (3)針對語義網(wǎng)和Linked Data的發(fā)展需求,實(shí)現(xiàn)網(wǎng)頁的元數(shù)據(jù)標(biāo)注和挖掘不同數(shù)據(jù)之間的關(guān)系,提出了一種基于本體的命名實(shí)體關(guān)系抽取方法。通過分析命名實(shí)體之間關(guān)系表達(dá)的語法結(jié)構(gòu)和關(guān)系表達(dá)詞,實(shí)現(xiàn)關(guān)系的抽取,實(shí)驗(yàn)采用生物文獻(xiàn)公共語料庫對算法進(jìn)行了檢驗(yàn),抽取蛋白質(zhì)相互作用關(guān)系,并取得了滿意的效果。提出的算法對抽取的句子實(shí)行單遍遍歷,實(shí)現(xiàn)適應(yīng)Web規(guī)模的文本關(guān)系抽取時(shí)的計(jì)算效率問題。 (4)針對AJAX技術(shù)的廣泛使用,而傳統(tǒng)的爬蟲無法獲取、分析和處理這些內(nèi)容,我們提出了一種基于領(lǐng)域本體的多記錄型AJAX數(shù)據(jù)抽取模型。該模型可以有效的發(fā)現(xiàn)網(wǎng)貞中含有的動(dòng)態(tài)AJAX內(nèi)容,在領(lǐng)域本體的指導(dǎo)下,實(shí)現(xiàn)對數(shù)據(jù)的抽取和語義標(biāo)注。實(shí)驗(yàn)以農(nóng)產(chǎn)品供求和價(jià)格實(shí)體數(shù)據(jù)為例,驗(yàn)證了抽取方法的有效性。 (5)針對基于包裝器或規(guī)則的方法在抽取單記錄型HTML頁而時(shí),無法適應(yīng)頁而結(jié)構(gòu)變化等不足,提出了一種采用統(tǒng)計(jì)學(xué)習(xí)方法實(shí)現(xiàn)的基于實(shí)體屬性分類的單記錄型Web頁面信息抽取和標(biāo)注模型。該模型對抽取內(nèi)容的頁面結(jié)構(gòu)特征進(jìn)行分析,通過構(gòu)建相應(yīng)的屬性分類器識別頁面中含有的實(shí)體屬性,實(shí)現(xiàn)自適應(yīng)頁面結(jié)構(gòu)的變化的實(shí)體抽取和標(biāo)注。 (6)以基于本體的自適應(yīng)Web信息抽取模型為基礎(chǔ),結(jié)合文中提出的信息抽取方法,實(shí)現(xiàn)了本體的自適應(yīng)Web信息抽取平臺。該平臺包括兩個(gè)子系統(tǒng)：一是面向農(nóng)業(yè)領(lǐng)域的基于農(nóng)業(yè)本體的自適應(yīng)Web信息抽取子系統(tǒng),應(yīng)用于農(nóng)業(yè)垂直搜索引擎-“中國搜農(nóng)”和農(nóng)業(yè)相關(guān)的數(shù)據(jù)挖掘應(yīng)用；二是命名實(shí)體關(guān)系抽取原型子系統(tǒng),為實(shí)現(xiàn)農(nóng)業(yè)領(lǐng)域?qū)嵱玫年P(guān)系抽取系統(tǒng)奠定了基礎(chǔ)。
[Abstract]:......
【學(xué)位授予單位】：中國科學(xué)技術(shù)大學(xué)
【學(xué)位級別】：博士
【學(xué)位授予年份】：2012
【分類號】：TP391.1;TP393.09

【引證文獻(xiàn)】

相關(guān)碩士學(xué)位論文 前1條

1 李艷;基于本體的毒品案件信息抽取研究[D];西北大學(xué);2013年

，

本文編號：1493425