1、隨著Internet的發(fā)展和Web上信息的快速增加，人們?cè)絹碓蕉嗟匾蕾囁阉饕鎭聿檎宜栊畔?。目前的主流搜索引擎主要依靠爬蟲爬行網(wǎng)頁上的鏈接來抓取網(wǎng)頁，因此基本上只索引了互聯(lián)網(wǎng)上的靜態(tài)頁面，而Web上存在大量的在線數(shù)據(jù)庫，這些數(shù)據(jù)庫的信息通過提交查詢實(shí)時(shí)產(chǎn)生，對(duì)于主流搜索引擎基本上是不可見的，如何有效利用這些Deep Web數(shù)據(jù)資源是一個(gè)值得研究的問題。
　　 在Deep Web數(shù)據(jù)集成系統(tǒng)中，結(jié)果的抽取與實(shí)體識(shí)別是一個(gè)重要環(huán)節(jié)

2、。由于Deep Web網(wǎng)站返回的結(jié)果頁面主要通過HTML文檔來展現(xiàn)，不同網(wǎng)站返回的結(jié)果頁面無論在形式上或在內(nèi)容上都存在著很大的差異，并且HTML著重于數(shù)據(jù)的表現(xiàn)而不是數(shù)據(jù)的描述，因此自動(dòng)提取其中的數(shù)據(jù)并進(jìn)行實(shí)體識(shí)別是一項(xiàng)比較困難的任務(wù)。
　　 本文在分析Deep Web網(wǎng)站返回頁面及其數(shù)據(jù)表現(xiàn)形式的基礎(chǔ)上，提出了一種基于探測(cè)查詢來提取Deep Web數(shù)據(jù)的方法，并根據(jù)提取出的數(shù)據(jù)利用文本相似度進(jìn)行實(shí)體識(shí)別。該方法首先選取領(lǐng)域高頻