Web實體間關系發(fā)現.pdf

1、隨著互聯網技術飛躍性的發(fā)展，Web上的網站數量和網頁數量正以指數級的速度快速增長。Web已經成為一個擁有海量數據，數據類型多樣，數據結構各異巨大的數據源。Web數據集成系統通過有效整合來自不同Web數據源的數據，為諸如市場情報分析、輿情分析、商業(yè)智能等分析應用提供重要的高質量的數據支撐?，F有的Web數據集成系統中，僅僅包含了Web實體的基本信息，而實體間的豐富的關聯信息沒有被充分的挖掘。實體之間豐富的關聯信息，和準確的標記，能夠更加完善

2、的描述實體間的相互關系，對搜索引擎、智能問答、市場情報分析等系統提供數據支持，使搜索引擎返回的檢索數據更加精準，豐富智能問答和市場情報分析等系統的知識庫，幫助完善分析和推理的各種結果。然而，目前Web數據集成系統采集的數據主要來源于數據量大、質量相對較高的Deep Web站點，并將它們整合成具有統一模式的結構化數據。在海量的Web數據背景下，Web數據集成系統所提供的數據存在以下局限性:
　　1.Web數據集成系統中的實體之間關聯

3、信息缺乏，Web數據集成系統的數據采集于有限的數據源，而且這些數據源大多數都是結構化數據源，使得僅僅通過數據集成系統很難挖掘出來Web實體間有意義的關聯信息。
　　2.對于已發(fā)現的實體間的關系，現有的關系標記方法往往利用復雜的方法，計算量大，對于一些實時系統而言是無法接受的，進行準確和高效的關系標記也成為Web數據集成系統中完善實體間信息的一個重要問題。
　　本文以挖掘Web數據集成系統中實體關系信息、提供實體全面而豐富的信

4、息為目標，針對Web數據集成系統中實體關系發(fā)現以及實體關系標注問題展開研究，主要貢獻如下:
　　1.本文提出一種基于聚類和向量屬性消減的實體語義關系發(fā)現算法。該方法在保證語義關系發(fā)現準確率的前提下，發(fā)現實體間同時存在的多重關系。
　　該方法使用搜索引擎獲得到的外部文檔以及Web數據集成系統中實體信息，為實體間關系構造特征向量，通過一次聚類過程以及一次向量屬性消減過程，發(fā)現實體間的關系，在向量屬性消減過程中，該方法發(fā)現實體間的

5、多重語義關系。
　　2.本文提出一種基于集成學習對實體關系進行標記的方法。該方法通過提高Web數據集成系統中兩實體關系相似性判定的準確率，來對實體關系進行標注。同時，該方法減小了相似性計算的花費，對實體顯式關系進行標注。
　　該方法將四種實體關系相似性判定方法使用集成學習的方法進行集成，特別的對于SVM方法，該方法對其在計算方面進行優(yōu)化，使得不用為每個實體對之間的關系訓練一個特殊的SVM，而是選取Web數據集成系統中用戶最為

6、關注的多個關系作為候選，在這些關系中對實體關系進行匹配，進而計算實體關系間的相似性。通過實體關系之間的相似性，對實體關系進行標記。實驗結果表明，該方法提高了實體關系間的相似性判定準確率，進而提高了關系標注的準確率，同時能夠很好地降低相似性判定的計算花費。
　　3.本文提出了一種基于兩階段聚類的實體隱式關系挖掘算法。該算法使用搜索引擎返回的結果文檔，挖掘并標記Web數據集成系統中相關實體之間的語義關系。
　　該方法使用大量的外