基于互聯(lián)網的構件庫系統(tǒng)構件描述信息抽取算法研究.pdf

1、基于構件的軟件開發(fā)方法被視為解決軟件危機的現(xiàn)實可行途徑,這種方法的前提是需要大量可以使用的元構件,為了解決構件的來源問題,當前互聯(lián)網涌現(xiàn)了一批構件資源下載網站,但是這些構件資源總體分散,這對構件的準確、全面獲取造成極大的不便,對這些構件資源網站的構件描述信息進行抽取、然后重新組織和整合,構建一個基于互聯(lián)網的構件庫系統(tǒng),并提供統(tǒng)一的入口供構件獲取者檢索,具有重大的現(xiàn)實意義。
　　構建基于互聯(lián)網的構件庫系統(tǒng)涉及到三個方面的關鍵技術,1

2、)主題爬蟲技術,主要從互聯(lián)網當中采集包含有構件信息的web文檔;2)信息抽取技術,從采集到的web頁面中自動獲取構件描述信息,并把它轉換成語義更為清晰、更為結構化的格式;3)構件檢索,對抽取到的信息進行標注、挖掘,并進行合理的組織和存儲,提供一個入口供用戶檢索。本文將就信息抽取中的相關問題重點展開討論,這是一個承上啟下的研究,對上它需要對粗糙的、雜而無序的網頁進行分析處理,提取出有效的構件描述信息,對下它需要以合理的方式進行組織,為后續(xù)

3、的構件挖掘、構件檢索提供便利。
　　目前的一些網頁信息抽取算法主要分為基于html結構、包裝器歸納、網頁語義分析三類,針對這些算法在抽取基于互聯(lián)網的構件描述信息上的不足,提出了一種基于主題相似度不斷逼近的構件信息抽取算法,通過引入結構化抽取模型的同義詞表,屏蔽不同構件庫網站對構件描述的差異,同時利用構件描述信息往往聚集在某個特定標簽節(jié)點之下的結構特征,不斷計算每個標簽節(jié)點的主題相似度直到最大,從而達到精確定位和抽取目標信息的目的。