1、互聯(lián)網(wǎng)已經(jīng)成為人們獲取信息的重要渠道，然而為了獲得想要的信息，人們要在紛繁復(fù)雜的網(wǎng)頁中耗費(fèi)大量精力進(jìn)行信息識別。為了有效地實現(xiàn)信息甄別和抽取，針對特定領(lǐng)域，本文提出一種利用本體對網(wǎng)頁中非結(jié)構(gòu)化的領(lǐng)域信息進(jìn)行抽取的方法，返回給用戶帶語義標(biāo)簽的結(jié)構(gòu)化數(shù)據(jù)。
　　文中將計算機(jī)科學(xué)領(lǐng)域作為樣例，利用內(nèi)容豐富的Wikipedia以及其他網(wǎng)頁作為數(shù)據(jù)源進(jìn)行基于語義的信息抽取。首先采用半監(jiān)督學(xué)習(xí)方法分析并抽取出計算機(jī)科學(xué)領(lǐng)域這一類別的詞匯，其次

2、結(jié)合抽取出的領(lǐng)域詞匯以及計算機(jī)科學(xué)家個人屬性建立一個關(guān)于計算機(jī)科學(xué)領(lǐng)域的本體，本體描述語言采用OWL語言。為了本體數(shù)據(jù)的持久化存儲，運(yùn)用Jena技術(shù)將本體內(nèi)容解析到MySQL數(shù)據(jù)庫中。最后，在前面本體構(gòu)建以及解析的基礎(chǔ)上，采用兩種抽取方式結(jié)合的方法來進(jìn)行信息抽取。一是離線抽取數(shù)據(jù)庫中的領(lǐng)域知識，二是對于數(shù)據(jù)庫中缺乏的信息，對網(wǎng)頁進(jìn)行在線抽取。將兩者抽取的結(jié)果合并返回給用戶，完成系統(tǒng)的領(lǐng)域信息抽取功能。
　　實驗證明，本文所實現(xiàn)的系