王志華，魏 斌，李占波，趙 偉

（鄭州大學(xué) 軟件技術(shù)學(xué)院，河南 鄭州450002）

0 引 言

信息抽取是指將無結(jié)構(gòu)或半結(jié)構(gòu)化的文本轉(zhuǎn)化為結(jié)構(gòu)化的信息，并以一定的形式進(jìn)行存儲，供用戶查詢以及進(jìn)一步分析利用的過程［1］。Web信息抽取則是從 Web頁面中抽取用戶感興趣的信息并過濾掉不相關(guān)的信息，將分散在半結(jié)構(gòu)化Web頁面中的信息提取出來，并以結(jié)構(gòu)化、語義更為清晰的模式表示［2］。它為用戶在Web中查詢數(shù)據(jù)、應(yīng)用程序直接利用Web數(shù)據(jù)提供了便利，是實(shí)現(xiàn)信息檢索、機(jī)器翻譯、自動問答、自動推薦的關(guān)鍵，是國內(nèi)外的研究熱點(diǎn)。

已有的Web信息抽取系統(tǒng)有的基于Web頁面的特殊結(jié)構(gòu)進(jìn)行信息抽取，比如抽取表格中的數(shù)據(jù)［3－6］，還有的利用包裝器歸納方式進(jìn)行信息抽?。?－10］。以上方法針對特定結(jié)構(gòu)，不具有重用性，抽取規(guī)則的建立是手工的，不同的結(jié)構(gòu)需要設(shè)置不同的抽取規(guī)則；而且只能抽取數(shù)據(jù)信息，但Web中還含有豐富的語義信息，比如關(guān)系、斷言等。本體［11］具有良好的概念層次結(jié)構(gòu)和對邏輯推理的支持，通過本體構(gòu)建規(guī)則，使得基于本體的信息抽取不僅能找到特定類型的待抽取實(shí)體，還能通過在本體中的概念把它鏈接到其語義描述上來識別它。

本文針對特定主題，提出了一種基于本體的Web信息抽取框架，對本體在信息抽取系統(tǒng)中的作用作了詳細(xì)介紹并實(shí)現(xiàn)所提出的相關(guān)算法。實(shí)驗(yàn)證明，該抽取系統(tǒng)能夠得到性能較高的抽取結(jié)果。

1 基于本體的Web信息抽取

1.1 領(lǐng)域本體

本體是一種知識表示方式，能在語義和知識層次上對描述信息系統(tǒng)的概念模型進(jìn)行建模，能夠用于知識表達(dá)、知識共享及知識重用。領(lǐng)域本體是用于描述特定領(lǐng)域知識的一種專門本體，給出了領(lǐng)域?qū)嶓w概念、領(lǐng)域?qū)傩愿拍?、領(lǐng)域?qū)傩灾导跋嗷リP(guān)系、斷言，以及該領(lǐng)域所具有的特性和規(guī)律的一種形式化描述。

1.2 基于本體的Web信息抽取框架

基于本體的Web信息抽取就是以所構(gòu)建的本體為核心，利用本體中已定義的概念、分類層次、關(guān)系、函數(shù)、公理和實(shí)例及一些必需的外部資料對Web頁面進(jìn)行信息提取，得到結(jié)構(gòu)化的知識并保存的過程。圖1給出了基于本體的Web信息抽取框架。

圖1 基于本體的Web信息抽取框架

1.2.1 系統(tǒng)構(gòu)成

整個(gè)系統(tǒng)包括文件采集及預(yù)處理、文本轉(zhuǎn)換、知識抽取3個(gè)部分。

在信息抽取過程中需要一些外部資料，包括：①領(lǐng)域本體；②網(wǎng)站地圖文件；③單詞、短語、特殊字符詞典和通用詞典；④停用詞、虛詞、高頻詞詞表；⑤分句規(guī)則；⑥詞性集合及詞性標(biāo)注規(guī)則；⑦實(shí)體識別及標(biāo)注規(guī)則；⑧知識抽取規(guī)則。

信息抽取用到的算法包括：①爬網(wǎng)算法；②文件預(yù)處理算法；③文件存儲算法；④分詞和詞表查詢算法；⑤停用詞、虛詞、高頻詞去除算法；⑥分句算法；⑦詞性標(biāo)注算法；⑧命名實(shí)體識別及標(biāo)注算法；⑨知識抽取算法。

1.2.2 本體在Web信息抽取中的作用

（1）本體構(gòu)建：領(lǐng)域本體的合理構(gòu)建是獲得較高性能信息抽取結(jié)果的關(guān)鍵。首先領(lǐng)域?qū)＜覙?gòu)建領(lǐng)域本體庫，主要包括類、對象屬性、數(shù)據(jù)屬性和斷言；然后根據(jù)領(lǐng)域內(nèi)的概念和術(shù)語添加實(shí)例。本文對于本體中的實(shí)例，領(lǐng)域?qū)＜医o出一部分，從相關(guān)網(wǎng)頁中通過統(tǒng)計(jì)獲取一部分，還根據(jù)通用詞典 （英文用 WordNet，中文用 HowNet）使用相似性比較的方法得到一部分。本文采用文獻(xiàn) ［12］中的方法構(gòu)建 《數(shù)據(jù)結(jié)構(gòu)》課程知識點(diǎn)的領(lǐng)域本體。本體內(nèi)各類之間的關(guān)系用Protégé描述如圖2所示。

（2）本體解析：在信息抽取的過程中，為了利用本體中的知識，需要對領(lǐng)域本體進(jìn)行解析，得到概念、實(shí)例、關(guān)系、關(guān)系的定義域和值域等，使之為語義標(biāo)注及知識抽取過程服務(wù)。本文進(jìn)行領(lǐng)域本體解析，得到如下結(jié)果：

1）概念、關(guān)系、實(shí)例詞典；

2）概念、關(guān)系模式庫；

圖2 《數(shù)據(jù)結(jié)構(gòu)》課程知識點(diǎn)本體

3）概念、關(guān)系規(guī)則表示，包括命名實(shí)體識別規(guī)則和知識抽取規(guī)則。

（3）本體使用：本體解析后的結(jié)果在信息抽取過程中主要用在了分詞及詞表查詢、命名實(shí)體識別及標(biāo)注和知識抽取算法中。

（4）知識存儲：根據(jù)抽取后信息存儲方式的要求，信息抽取的結(jié)果主要有以下兩種結(jié)果表示：帶有語義的XML文件和帶有語義的三元組或二元組表示。

2 Web信息抽取關(guān)鍵技術(shù)及實(shí)現(xiàn)

2.1 文件采集及預(yù)處理

文件采集用于發(fā)現(xiàn)文檔，并且使這些文檔能夠被搜索到。預(yù)處理對采集到的文檔進(jìn)行處理，得到格式化文檔。

2.1.1 源文檔及信息采集

源文檔可能來自于本地、局域網(wǎng)、特定主題或互聯(lián)網(wǎng)，其類 型 可 以 是 HTML、XML、EMAIL、PDF、RDF、WORD、TXT、RSS等多種。本文對Web頁面進(jìn)行信息抽取，并將頁面分為目錄型頁面、內(nèi)容型頁面和結(jié)構(gòu)型頁面，采集的源文檔是針對某一領(lǐng)域主題的文檔。

信息采集用于發(fā)現(xiàn)文檔，可使用爬蟲來發(fā)現(xiàn)和抓取文檔。本文使用主題爬蟲爬取網(wǎng)頁。主題采集常使用工具進(jìn)行分類，需要用到分類器進(jìn)行選定特定頁面、特定結(jié)構(gòu)的采集，一種結(jié)構(gòu)使用一種規(guī)則進(jìn)行采集。本文使用爬網(wǎng)算法對 《數(shù)據(jù)結(jié)構(gòu)》課程相關(guān)主題知識點(diǎn)進(jìn)行信息采集。

2.1.2 文檔預(yù)處理

信息采集后得到的原始文檔格式不統(tǒng)一，編碼方式也不統(tǒng)一，需要對文檔進(jìn)行預(yù)處理，將各種文檔轉(zhuǎn)變?yōu)楦袷交臋n，主要是XHTML或XML等。文件預(yù)處理后的文檔包括文件的格式化內(nèi)容、超鏈接、數(shù)據(jù)格式、元數(shù)據(jù)等信息：

（1）格式化內(nèi)容：主要是Web的文本內(nèi)容，它是實(shí)現(xiàn)內(nèi)容型頁面信息抽取的關(guān)鍵；

（2）超鏈接：Web中的超鏈接信息，它是實(shí)現(xiàn)目錄型頁面信息抽取的關(guān)鍵；

（3）數(shù)據(jù)格式信息：Web中的圖片、圖表、代碼、表格等，這部分信息對于基于HTML結(jié)構(gòu)的信息抽取至關(guān)重要；

（4）元數(shù)據(jù)信息：格式化信息之外的文檔信息，用于解析文檔的結(jié)構(gòu)，可以將網(wǎng)頁表示成文檔對象模型 （document object modal，DOM），包括文檔屬性，比如日期、作者等，還有其它標(biāo)簽，這些可用于識別文檔組成部分。

本文使用文件預(yù)處理算法將各種格式的文檔轉(zhuǎn)換為XML文檔，包括了文檔的內(nèi)容和格式信息；將各種編碼轉(zhuǎn)換為Unicode。

2.1.3 文檔存儲及文檔數(shù)據(jù)庫

文檔存儲實(shí)現(xiàn)格式化文檔的存儲。文檔一般不存儲在關(guān)系數(shù)據(jù)庫中，而存儲在特定數(shù)據(jù)庫中。本文為了信息抽取的方便，使用文件存儲算法把格式化文檔信息存儲在XML文件中，而原文檔保存為原文件格式并保存其路徑信息。

2.2 文本轉(zhuǎn)換

文本轉(zhuǎn)換是對格式化文檔進(jìn)行詞和句子或結(jié)構(gòu)的處理，為知識抽取做準(zhǔn)備。本文的文本轉(zhuǎn)換算法首先根據(jù)網(wǎng)頁的結(jié)構(gòu)信息判斷Web頁面的類型，即目錄型、結(jié)構(gòu)型或內(nèi)容型，然后再根據(jù)不同的類型采用不同的信息抽取方法：

（1）目錄型頁面通過文件預(yù)處理后超鏈接信息及查詢要求的文本內(nèi)容和url地址找到需要重新定位的查詢地址，對新地址的內(nèi)容進(jìn)行信息抽??；

（2）結(jié)構(gòu)性頁面根據(jù)預(yù)處理后的數(shù)據(jù)格式信息和元數(shù)據(jù)信息得到原Web頁面中的結(jié)構(gòu)標(biāo)記，根據(jù)結(jié)構(gòu)進(jìn)行信息抽??；

（3）內(nèi)容型頁面主要根據(jù)本文預(yù)處理后的格式化內(nèi)容，構(gòu)建網(wǎng)頁的內(nèi)容正文，然后進(jìn)行信息抽取。

本文主要研究內(nèi)容型頁面的信息抽取。

2.2.1 分詞及詞表查詢

中文分詞可使用工具，如中科院計(jì)算所漢語詞法分析系統(tǒng)ICTCLAS、斯坦福大學(xué)的漢語分詞系統(tǒng)stanford－parser等。但是，這些分詞方法沒有考慮特定主題及特定領(lǐng)域的概念，分詞會出現(xiàn)一定的誤差，本文提出一種基于本體解析信息進(jìn)行分詞及查詢的算法，更能體現(xiàn)主題及領(lǐng)域特征。

中文分詞及詞表查詢重要的是使用詞典，為了以后處理統(tǒng)一，文檔分詞詞典和查詢分詞詞典應(yīng)該統(tǒng)一。分詞結(jié)果用空格分割開來。另外，在分詞過程中還要考慮如何解決同義詞的問題，本文提出兩種解決方案：

（1）設(shè)置同義詞表；

（2）利用通用詞典，通過相似性計(jì)算得到最相近的詞。

依據(jù)本體解析信息進(jìn)行中文分詞及查詢算法如下所示：

算法1：中文分詞及詞表查詢

輸入：格式化文檔，本體解析后的概念、關(guān)系、實(shí)例詞典，同義詞、近義詞的通用詞典，單詞、短語、特殊字符詞典

輸出：與本體概念、關(guān)系、實(shí)例對應(yīng)的詞和短語，依據(jù)詞典分詞得到的詞、短語、特殊字符，原文檔中未去除的結(jié)構(gòu)信息

步驟：

（1）for（格式化文檔中每個(gè)標(biāo)簽）

使用標(biāo)記語言解析器對文檔結(jié)構(gòu)信息進(jìn)行解析構(gòu)建DOM；

（2）去除文檔無用標(biāo)簽，如＜br＞、＜p＞、＜h1＞和＜div＞等，構(gòu)建網(wǎng)頁的文本內(nèi)容；

（3）根據(jù)本體解析后的概念、關(guān)系、實(shí)例詞典進(jìn)行詞表查詢并利用最大匹配算法進(jìn)行分詞，然后對分詞后的結(jié)果進(jìn)行標(biāo)記，得到基于本體的詞的信息；

（4）根據(jù)同義詞、近義詞的通用詞典對剩余內(nèi)容進(jìn)行分詞，然后進(jìn)行標(biāo)記；

（5）根據(jù)單詞、短語、特殊字符詞典對剩余內(nèi)容進(jìn)行分詞，然后進(jìn)行標(biāo)記。

算法中先使用概念、關(guān)系、實(shí)例詞典來分，使得分詞結(jié)果更加傾向于領(lǐng)域。另外，根據(jù)實(shí)際應(yīng)用，可對文檔中的特殊結(jié)構(gòu)部分添加特殊切分規(guī)則進(jìn)行切分，得到如圖片、圖表、代碼、表格等信息。對于短語也可使用相關(guān)的ngram算法進(jìn)行切分。

如對圖3所示的信息分詞后如圖4所示。使用基于本體解析信息進(jìn)行分詞的方法可以分詞出 “數(shù)據(jù)結(jié)構(gòu)”、“非線性結(jié)構(gòu)”、“前驅(qū)結(jié)點(diǎn)”等領(lǐng)域概念。

2.2.2 去除虛詞

對分詞后的結(jié)果去除停用詞、虛詞和無用的高頻詞時(shí)，需要手動設(shè)置和手動維護(hù)詞表。本文為了避免影響檢索效果，只對文檔中的特定部分設(shè)定詞表，并且采用很小的詞表。

2.2.3 分句

信息抽取的粒度包括詞、句子、段落、章節(jié)和篇。為了保證信息抽取的粒度，還需要對文檔結(jié)構(gòu)進(jìn)行句子和結(jié)構(gòu)的劃分。句子的劃分可以在檢索時(shí)返回句子信息；結(jié)構(gòu)的劃分對結(jié)構(gòu)性頁面的信息抽取及檢索結(jié)果的返回至關(guān)重要。本文設(shè)置分句規(guī)則，對以上處理后的信息進(jìn)行分句，并進(jìn)行標(biāo)記。另外，還對分句后的文檔去除不含有任何本體詞匯 （概念、關(guān)系、屬性）的句子 （或結(jié)構(gòu)），確保信息抽取的粒度是句子。

2.2.4 詞性標(biāo)注

詞性標(biāo)注是對分詞后的結(jié)果標(biāo)注詞性信息，是命名實(shí)體識別的關(guān)鍵。詞性標(biāo)注時(shí)，對每個(gè)單詞和短語根據(jù)詞性標(biāo)注集使用詞性標(biāo)注算法進(jìn)行詞性標(biāo)注，詞性標(biāo)注器根據(jù)上下文信息對文本中的每個(gè)詞賦予一個(gè)詞性標(biāo)記。本文進(jìn)行詞性標(biāo)注后，內(nèi)容文檔中的每個(gè)詞帶有詞性信息。

2.2.5 命名實(shí)體識別

命名實(shí)體識別是對詞性標(biāo)注后的單詞識別實(shí)體，并對每一個(gè)實(shí)體信息進(jìn)行標(biāo)記，經(jīng)常使用的方法包括：基于統(tǒng)計(jì)的方法、基于規(guī)則的方法、基于自然語言處理的方法。傳統(tǒng)的命名實(shí)體識別模塊僅提供人名、地名、機(jī)構(gòu)名、時(shí)間、日期等信息的識別，得不到基于領(lǐng)域的實(shí)體信息，知識抽取效率比較低。本文提出一種基于本體解析信息進(jìn)行命名實(shí)體識別算法，除了常規(guī)信息之外，還可以識別相關(guān)領(lǐng)域的信息。

命名實(shí)體識別的關(guān)鍵是設(shè)計(jì)識別規(guī)則，本文對于 《數(shù)據(jù)結(jié)構(gòu)》邏輯結(jié)構(gòu)的識別規(guī)則用GATE［13］中的Jape規(guī)則表示如下語句所示。

Phase：logicalStructure

Input：Token Lookup

Options：control＝appelt

Rule：structure

（｛Lookup.minorType＝＝"線性結(jié)構(gòu)"｝｜ ｛Lookup.minorType ＝ ＝"非 線 性 結(jié) 構(gòu)"｝ ｜｛Lookup.minorType ＝ ＝ " 線 性 表"｝ ｜ ｛Lookup.minorType＝＝"鏈表"｝｜ ｛Lookup.minorType＝＝"棧"｝ ｜ ｛Lookup.minorType＝ ＝" 隊(duì) 列"｝ ｜ ｛Lookup.minorType＝ ＝"串"｝｜ ｛Lookup.minorType＝ ＝"廣義表"｝｜ ｛Lookup.minorType＝＝"數(shù)組"｝｜ ｛Lookup.minorType＝＝"矩陣"｝｜ ｛Lookup.minorType＝＝"二叉樹"｝｜ ｛Lookup.minorType＝＝"樹"｝｜ ｛Lookup.minorType＝ ＝"圖"｝｜ ｛Lookup.minorType＝ ＝"邏輯結(jié)構(gòu)"｝）：data－－＞：data.structure＝ ｛kind＝"邏輯結(jié)構(gòu)"，rule＝"logicalStructure"｝

依據(jù)本體解析信息進(jìn)行命名實(shí)體識別及標(biāo)注算法如下所示：

算法2：命名實(shí)體識別及標(biāo)注

輸入：詞表查詢及詞性標(biāo)注后的單詞，概念、關(guān)系規(guī)則，一般實(shí)體識別規(guī)則

輸出：本體中的實(shí)體識別及標(biāo)注結(jié)果，一般信息及特殊字符的識別及標(biāo)注結(jié)果

步驟：

（1）對本體中的信息進(jìn)行識別，并標(biāo)注類型；

（2）應(yīng)用規(guī)則，對句子中的一般信息進(jìn)行識別，得到數(shù)字、金錢、日期等實(shí)體，并標(biāo)注類型；

（3）根據(jù)規(guī)則，可利用N元組技術(shù)，對本體標(biāo)注類型和一般標(biāo)注類型進(jìn)行相似匹配，并重新進(jìn)行類型標(biāo)注；

（4）根據(jù) （3），調(diào)整分詞結(jié)果和通用標(biāo)注類型實(shí)體的表示形式規(guī)范化。

以下標(biāo)注為圖3部分信息命名實(shí)體識別及標(biāo)注后的結(jié)果。

＜數(shù)據(jù)元素id＝"1"type＝"datastructure Token Lookup"kind＝"數(shù)據(jù)結(jié)構(gòu)"majorType＝"本體實(shí)例"minorType＝"線性表"begin＝"1"end＝"4"sentenceid＝"1"/＞

＜相互之間id＝"2"type＝"Token"kind＝""majorType＝""minorType＝""begin＝"5"end＝"8"sentenceid＝"1"/＞

＜關(guān)系id＝"3"type＝"Token"kind＝""major Type＝""minor Type＝""begin＝"10"end＝"11"sen tenceid＝"1"/＞

＜稱為id＝"4"type＝"Token"kind＝""major Type＝""minorType＝""begin＝"12"end＝"13"sen tenceid＝"1"/＞

＜數(shù)據(jù)結(jié)構(gòu)id＝"5"type＝"datastructure Token Lookup"kind＝"數(shù)據(jù)結(jié)構(gòu)"majorType＝"本體類"minorType＝"數(shù)據(jù)結(jié)構(gòu)"begin＝"14"end＝"15"sentenceid＝"1"/＞

每個(gè)實(shí)體由標(biāo)記包含，表示為一個(gè)元素。標(biāo)注類型包括本體標(biāo)注類型和通用標(biāo)注類型，本體標(biāo)注類型需要說明詞是類、實(shí)例或?qū)傩?。詞表查詢可找到本體標(biāo)注類型，使用詞匯列表標(biāo)注具體本體標(biāo)注類型，使用規(guī)則標(biāo)注通用類型。另外，還標(biāo)注詞所在的句子信息。算法執(zhí)行結(jié)果識別出了與領(lǐng)域相關(guān)的 “數(shù)據(jù)元素”、 “數(shù)據(jù)結(jié)構(gòu)”等領(lǐng)域信息。

2.3 知識抽取

知識抽取就是對語義標(biāo)注后的文檔進(jìn)行分析，進(jìn)行實(shí)體及關(guān)系的抽取得到知識。針對語義標(biāo)注后的信息，本文在命名實(shí)體識別及標(biāo)注后，利用領(lǐng)域詞匯表進(jìn)行嚴(yán)格匹配，找到類、屬性和實(shí)例，并對實(shí)例進(jìn)行轉(zhuǎn)換成類。對找到的類和實(shí)例，利用本體中定義的屬性的定義域和值域，找到類之間的關(guān)系。然后根據(jù)實(shí)例和屬性構(gòu)建三元組。

3 實(shí)驗(yàn)結(jié)果與分析

本文利用Jena插件［14］及基于領(lǐng)域設(shè)計(jì)的Jape規(guī)則，使用MyEclipse 9.0在GATE6.0平臺上進(jìn)行二次開發(fā)實(shí)現(xiàn)了基于本體的Web信息抽取系統(tǒng)，并實(shí)現(xiàn)了語義網(wǎng)檢索，如圖5所示。

圖5 基于Web信息抽取的語義網(wǎng)檢索

使用主題網(wǎng)絡(luò)爬蟲爬取 《數(shù)據(jù)結(jié)構(gòu)》主題多篇網(wǎng)頁作為測試數(shù)據(jù)，使用信息抽取系統(tǒng)主要的評測指標(biāo)準(zhǔn)確率P、召回率R和F測度值進(jìn)行評測，其定義如下

此處取β＝1，稱為F1值。

表1為信息抽取的評測結(jié)果，F(xiàn)1指數(shù)都在70%～80%之間，與ACE［15］的評測結(jié)果相比，本文提出的基于本體的Web信息抽取方法有較高性能。另外，可以通過增加本體實(shí)例、識別更多的同義詞、設(shè)計(jì)更多的Jape規(guī)則及設(shè)計(jì)更加高效的知識抽取方法得到性能更高的信息抽取結(jié)果。

表1 信息抽取的評測結(jié)果

4 結(jié)束語

針對已有Web信息抽取系統(tǒng)中抽取結(jié)果缺乏語義信息及抽取方法不可重用的問題，本文提出了一種面向主題的基于本體的Web信息抽取模型。該模型通過本體解析結(jié)果在分詞及詞表查詢、命名實(shí)體識別和知識抽取中的應(yīng)用，使得分詞和命名實(shí)體識別結(jié)果更加傾向于領(lǐng)域，抽取方法對于各種領(lǐng)域也可以重用并可以得到語義信息。通過實(shí)驗(yàn)驗(yàn)證，該系統(tǒng)能得到滿意的信息抽取結(jié)果。后續(xù)工作中，將進(jìn)一步完善系統(tǒng)，重點(diǎn)是分詞、命名實(shí)體識別和知識抽取算法。

［1］LIU Qian，JIAO Hui，JIA Huibo.Research on approaches of information extraction system ［J］.Application Research ofComputers，2007，24 （7）：6－9 （in Chinese）. ［劉遷，焦慧，賈惠波.信息抽取技術(shù)的發(fā)展現(xiàn)狀及構(gòu)建方法的研究 ［J］.計(jì)算機(jī)應(yīng)用研究，2007，24 （7）：6－9.］

［2］Kwan Hee Han，Jun Woo Park.Process－centered knowledge model and enterprise ontology for the development of knowledge management system ［J］.Expert Systems with Applications，2009，36 （4）：7441－7447.

［3］LIAO Tao，LIU Zongtian，SUN Rong.Research and implementation of web table positioning technology ［J］.Computer Science，2009，36 （9）：227－230 （in Chinese）. ［廖濤，劉宗田，孫榮.Web表格定位技術(shù)的研究與實(shí)現(xiàn) ［J］.計(jì)算機(jī)科學(xué)，2009，36 （9）：227－230.］

［4］BI Lei，SHEN Jie，XU Fayan，et al.Extracting web business information using domain－specific ontology ［J］.Computer Engi－neering and Design，2008，29 （24）：6393－6396 （in Chinese）.［畢蕾，沈潔，徐法艷，等.領(lǐng)域本體指導(dǎo)的Web商品信息 抽 取 ［J］. 計(jì) 算 機(jī) 工 程 與 設(shè) 計(jì)，2008，29 （24）：6393－6396.］

［5］LIU Jiagang，CHEN Shan，HUANG Ying.Improved ontologybased web information extraction ［J］.Computer Engineering，2010，36 （4）：39－41 （in Chinese）. ［柳佳剛，陳山，黃櫻.一種改進(jìn)的基于本體的 Web信息抽取 ［J］.計(jì)算機(jī)工程，2010，36 （4）：39－41.］

［6］CHEN Li’na，ZHANG Hong，MA Li，et al.Ontology－based tourism information extraction ［J］.Computer Applications and Software，2010，27 （4）：146－148 （in Chinese）. ［陳立娜，張紅，馬莉，等.基于本體的旅游信息抽取 ［J］.計(jì)算機(jī)應(yīng)用與軟件，2010，27 （4）：146－148.］

［7］HUANG Ji，JIANG Liqun，YIN Zhaolin.A new technology on information retrieval based on samples ［J］.Microcomputer Information，2009，25 （1）：238－239 （in Chinese）. ［黃驥，姜利群，殷兆麟.一種新型的基于樣本的Web信息檢索技術(shù)［J］.微計(jì)算機(jī)信息，2009，25 （1）：238－239.］

［8］LIU Pengbo，CHE Haiyan，CHEN Wei.Survey of knowledge extraction technologies ［J］.Application Research of Computers，2010，27 （9）：3222－3226.

［9］Kosala R，Blockeel H，Bruynooghe M，et al.Information extraction from structured documents using k－testable tree automaton inference ［J］.Data＆ Knowledge Engineering，2006，58 （2）：129－158.

［10］Tenier S，Toussaint Y，Napoli A，et al.Instantiation of relations for semantic annotation ［C］.Proc of IEEE/WIC/ACM International Conference on Web Intelligence.Washington，DC：IEEE Computer Society，2006：463－472.

［11］DU Xiaoyong，LI Man，WANG Shan.A survey on ontology learning research ［J］.Journal of Software，2006，17 （9）：1837－1847（in Chinese）.［杜小勇，李曼，王珊.本體學(xué)習(xí)研究綜述 ［J］.軟件學(xué)報(bào)，2006，17 （9）：1837－1847.］

［12］WANG Zhihua，ZHAO Wei.Research on semantic web retrieval model based on ontology and key technologies ［J］.Computer Engineering and Design，2011，32 （1）：145－148（in Chinese）.［王志華，趙偉.基于本體的語義網(wǎng)檢索模型及關(guān)鍵技術(shù)研究 ［J］.計(jì)算機(jī)工程與設(shè)計(jì)，2011，32 （1）：145－148.］

［13］The university of sheffield.GATE，A general architecture for text engineering ［EB/OL］.［2011－08－05］.http：//gate.ac.uk/.

［14］HP Labs.Jena ［EB/OL］ .［2011－08－05］.http：//www.hpl.hp.com/semweb/.

［15］Automatic Content Extraction（ACE）Evaluation ［EB/OL］.［2011－08－05］.http：//www.itl.nist.gov/iad/mig//tests/ace/.