基于本体的Web信息抽取系统

王志华，魏 斌，李占波，赵 伟

（郑州大学 软件技术学院，河南 郑州450002）

0 引 言

信息抽取是指将无结构或半结构化的文本转化为结构化的信息，并以一定的形式进行存储，供用户查询以及进一步分析利用的过程［1］。Web信息抽取则是从 Web页面中抽取用户感兴趣的信息并过滤掉不相关的信息，将分散在半结构化Web页面中的信息提取出来，并以结构化、语义更为清晰的模式表示［2］。它为用户在Web中查询数据、应用程序直接利用Web数据提供了便利，是实现信息检索、机器翻译、自动问答、自动推荐的关键，是国内外的研究热点。

已有的Web信息抽取系统有的基于Web页面的特殊结构进行信息抽取，比如抽取表格中的数据［3－6］，还有的利用包装器归纳方式进行信息抽取［7－10］。以上方法针对特定结构，不具有重用性，抽取规则的建立是手工的，不同的结构需要设置不同的抽取规则；而且只能抽取数据信息，但Web中还含有丰富的语义信息，比如关系、断言等。本体［11］具有良好的概念层次结构和对逻辑推理的支持，通过本体构建规则，使得基于本体的信息抽取不仅能找到特定类型的待抽取实体，还能通过在本体中的概念把它链接到其语义描述上来识别它。

本文针对特定主题，提出了一种基于本体的Web信息抽取框架，对本体在信息抽取系统中的作用作了详细介绍并实现所提出的相关算法。实验证明，该抽取系统能够得到性能较高的抽取结果。

1 基于本体的Web信息抽取

1.1 领域本体

本体是一种知识表示方式，能在语义和知识层次上对描述信息系统的概念模型进行建模，能够用于知识表达、知识共享及知识重用。……