基于領域知識的Deep Web接口發(fā)現研究.pdf

1、隨著Internet技術的快速發(fā)展，Web數據庫越來越受到人們的重視，Web按其所蘊含信息的“深度”可以分為Surface Web和Deep Web兩部分。與Surface Web相比，Deep Web蘊藏了更加豐富、更加專業(yè)的信息，為了有效的利用這些信息，建立Deep Web數據集成系統成為當前研究的熱點，而Deep Web接口發(fā)現是建立Deep Web數據集成系統的首要工作。Deep Web接口發(fā)現需要解決4個方面的問題：（1）找到

2、可能包含領域內Deep Web接口的網站。（2）從找到的網站中識別出領域內Deep Web接口。（3）評估發(fā)現的領域內DeepWeb接口的覆蓋率。（4）抽取出Deep Web接口的屬性信息。
　　 對于第一個問題，利用搜索引擎是一種行之有效的辦法，它的難點在于如何設計查詢提交詞，進而實現用較少的查詢提交詞快速發(fā)現盡可能多的領域內Deep Web接口，本文提出了基于領域知識的查詢提交詞確定方法，該方法包括三部分：（1）基于領域知識

3、計算查詢提交詞的知名度，即利用領域知識確定出檢查某詞是否符合高知名度的特征詞，把該詞和該詞的特征詞作為組合詞提交到搜索引擎，統計目標網站精確匹配組合詞的個數，個數越多，則說明該詞和特征詞越匹配，從而該詞的知名度就越高，該詞能找到含有領域內Deep Web接口數越多。（2）基于領域知識的URL過濾，即通過URL中含有的領域知識快速排除和本領域無關的網站，且剩余的網站數目越多，則含有領域內Deep Web接口的網站數也越多，計算剩余網站個數

4、并降序排列，從而排在前面的一個詞要比排在后面的一個詞找到的領域內Deep Web接口數多。（3）查詢提交詞確定流程。實驗表明該方法可實現用較少的查詢提交詞快速發(fā)現盡可能多的領域內Deep Web接口。對于第二個問題，本文提出基于支持向量機的Deep Web接口判定方法，該方法具有較高的查準率和查全率。對于第三個問題，本文提出基于集成網站評估發(fā)現領域內Deep Web接口的覆蓋率方法，該方法具有一定的參考價值。對于第四個問題，本文提出基于