基于本体的旅游信息抽取
- 格式：pdf
- 大小：329.90 KB
- 文档页数：4
本文 对 网上 的旅 游 网站 进 行 大 量 的 分 析 ， 中 提 炼 出一 些 从
种基于 内容 的信 息获取 ， 它把 ｏｔｏ 驱动 的 内容匹配 机制 ｎｏ ｇ ｌ ｙ
与适 当的表达代理机制相结合 。文献 ［ ］ ４ 提出 了一个基 于应用 领域本体 的非结构 化文本 的信息 抽取方法 。但是 文献 ［ ４］ ２— 的方法都仅仅是基于本体 的抽取 ， 没有将本 体与其他方 法结合 起来 。文献 ［ ］ 出了一种 新 的基于 本体 的信息抽 取方 法 ， ５提
Ｓ ｂ ｒｅ ｏ ｅ ｅ ｒｅ ｏｅ Ｃ ｒ ｎＴ ｇ ｏ ｕ ＴｅＮ ｄ ＝ｎｗ ＴｅＮ ｄ （ ｕｒ ｔａ ，Ｄ ｍ） ｅ
Ｒｐａ ｅｅｔ｛
／ 遍历网页 Ｄ Ｍ子树 ／ Ｏ ／ 取得子树节点 ／ ／ 标题是超链接文本 ／
属性 是酒店名称 、 房间类 型 、 房间价格 、 地址等 ； 旅游景区的一些 属性有名称 、 门票价格 、 区等级 、 系 电话等 ； 景 联 还有酒店 、 旅游 景区以及旅行社等都属于某个地区 ， 它们和地区的关系等信息。
收稿 日期 ： ０ — ８— ７ ２ ８ ０ ２ 。广西青年科学基金项 目（ ６ ０３ ） 广西 ０ Ｏ ４０ ０ ；
树， 这样更便于利用领域本 体里 的关键词准确地定位信息区域 ，
０ 引 言
信息抽取是从一段 文本 中抽取 指定 的一类信 息 （ 事件 、 事
实） 并将其形成结构化 的数据填入一个 数据库 中供用 户查询使 用的过程 Ｊ 。它的产生 是为 了让 人们在 Ｗｅ ｂ的海量信 息 中准
抽取 网页正文 ， 然后对其进行分词 ， 最后 利用 Ｊ Ｐ Ａ Ｅ规则进 行本
ｐ ｏ ｅ ｓ ｇｔ ｃ ｎ ｑ ｅ ｔ ｇ ｔ ｅ ．Ａｎ ｏ ￣ｇ — ａ ｅ ｕ ｓ ｉ ｏ ｍａ ｉｎ ｅ ｔ ｃｉ ｎ ｉ ｐ ｏ ｏ ｅ ｎ ｔ ｉ ｐ ｐ ｒ ｈ ｔｏ ｏ ｉ ｏ ｓ ｔｅ ｗｅ ｐ ｇ ｒ ｃ ｓ ｉ ｈ ｉ ｕ ｏ ｅｈ ｒ ｎ ｅ ｍｏ ｙ ｂ ｓ ｄ ｔ ｒ ｍ ｎ ｒ ｔ ｘｒ ｔ ｒｐ ｓ ｄ ｉ ｈ ｓ ａ ｅ ．Ｔ ｅ ｍｅｈ ｄ ｐ ｓ ｉｎ ｈ ｂ ａ ｅ ｏｉ ｆ ｏ ａ ｏ ｓ ｔ ｉ ｏ ａｉｎ ｒ ｇｏ ｃ ｏ ｄｎ ｏｔ ｅ ｋ ｙ ｏ ｄ ｏ ｒ ｍ ｎ ｏｏ ｙａ ｄｅ ｔ ｃ ｓｃ ｎ ｅ ｔ ｎｏ ａｉ ｎｆｏ ｔｅ ｗ ｂ ｉ ｔ ｅ ｅｗ ｒ ｅ ｍｅ ｔ ｔ ｎ ｆ ｍ ｎ ｒ ｔ ｅ ｉｎ ａ ｃ ｒ ｉ ｇ ｔ ｅ ｗ ｒ ｓｉ ｔ ｕ ｓ ｏ ｔｌｇ ｎ ｘ ｒ ｔ ｏ ｔｎ ｆ ｒ ｔ ｍ ｅ ｓ ｅ， ｈ ｎ ｔ ｏ ｄ ｓ ｇ ｎ ａｉ ｏ ｈ ｎ ｉ ａ ｉ ｍ ｏ ｒ ｈ ｔ ｈ ｏ
节点的文字 内容匹配关键词 ； 出现匹配 的关键词 ， 若 则认 为该 区
图 １ 旅游本体部分类 的关系层次图
域 与概 念关 键词相关 ， 获得标识 节点 位置 ； 以找到包含相关信 可 息的最 小子树 ， 进而对 内容进行 抽取 。具体算 法如下 ：
输入： 处理 的 Ｄ Ｍ 树 ； Ｏ 本体 的关键词 。 输出： 网页 中的标题 和 Ｕ Ｌ Ｒ。
第 ４期
陈立娜 等 ： 于本体 的旅 游信 息抽 取 基
１７ ４
有 了上述 的分析后 ， 本文采用 Ｏ Ｌ语言作 为建立 旅游 ＷＬＤ 领域本体 的语言 ， Ｐｏｅｅ 用 ｒｔ 编辑器构建本体 。步骤 如下 ： ｇ
（ ）定 义本 体 的 类 别和 层 次 １
的是基 于本体 的关 键词及 网页 Ｄ Ｍ 树结构 的抽取算 法 。抓取 Ｏ 的网页分 为 目录型网页和 内容型页面 ， 分别处理如下 ：
ｔ ｅ ｄ ｔｂ ｓ ．Ａ ａ ｔ ｈ ｃ ｕ ａ ｙ ｏ ｅ ｍｅｈ ｄ ｐ ｏ ｏ ｅ ｎ ｔ ｉ ａ ｅ ｓｐ ｏ ｅ ｈ ｏ ｇ ｈ ｘ ｅ ｍｅ ｔ ｈ ａａ ａ ｅ ｔｌｓ ，ｔ ｅ ａ ｃ ｒ ｃ ｆｔ ｔ ｏ ｒ ｐ ｓ ｄ ｉ ｈ ｓｐ ｐ ｒｉ ｒｖ ｄ ｔ ｒ ｕ ｈ ｔｅ ｅ ｐ ｒ ｎ ． ｈ ｉ Ｋｅ ｗｏ ｄ ｙ ｒｓ Ｏｎ ｏｏ Ｉ ｆｒ ｔ ｎ ｅ ｔ ｃｉｎ Ｄ ｔｌ ｇ ｙ ｎｏ ｍａｉ ｘｒ ｔ ＯＭ ｒ ｅ Ｔ ｕ ｓ ｎ ｏ ｍａｉ ｎ ｏ ａ ｏ ｔ ｏ ｒ ｍ ｉｆ ｒ ｔ ｅ ｉ ｏ
核心概念 、 实例及其关 系。旅游领域本体的核心概念有酒店 、 旅 游景区 、 旅行社 、 旅游线路 、 旅游气象 、 民族风俗 、 特色小吃 、 餐饮
和公交路线 以及地 区等 。在 这些核心 概念 中， 如酒店有漓 江大
瀑布饭店 、 宁七星大酒店 、 凯 桂林 山水大酒 店等 ， 酒店还有一些
息的概括总结 。
由于在前 面已经建 立旅 游本 体 ， 而可 以使用 本体 中的关 从 键词来对网页 上信 息 区域进 行定 位 。本 文使 用本 体 中的关键
词， 采用前序方法遍历 整个 Ｄ Ｍ 树 ， 断 当前的节点 是否属 于 Ｏ 判
●
Ｈ ＭＬ标签节点 ， Ｔ 如果当前节点不是 Ｈ ＭＬ 签节点 ， Ｔ 标 则取 当前
第２ ７卷 第 ４期
２１ ０ ０年 ４月
计算机 应 用与软件
Ｃｏ ｕ ｅ ｐｉ ａｉｎｓａ ｄ Ｓ ｆ ｒ ｍｐ ｔ ｒＡｐ ｌ ｔｏ ｎ ｏ ｔ ｅ ｃ ｗａ
Ｖｏ． ７ Ｎｏ ４ Ｉ２ ．
Ａｐ ． ０１ ｒ２ ０
基 于本 体 的旅 游信 息抽 取
陈立娜 张 红 马 莉 蒋运承
它对文章 、 句子的语法结构进行分析 ， 把一些 复杂 的句子分解为 简单 的句子 ， 又结合 了领域本体里 的概念 、 系、 关 关键 词。 随着人们生活水平的提高 ， 旅游成为人们节假 日的首选 。然
而 面 对 Ｗｅ 上 旅 游 网站 的大 量 旅 游 景 区 、 游 线 路 、 行 社 、 ｂ 旅 旅 酒
（ ） 目录 型 页面 的 信 息 抽 取 １
首先定义旅游领域 的基 本类及 类之 间的层 次关 系， １为 图 旅游本体部分类的关系层次 图。
对 网站 中 目录型页面的信 息抽取 ， 关键 是定 位网页 的 目录
标题 区域 ， 网页信息提供者通常很用心地处理 网页的 目录标题 ，
其 中标题通常包含 了网页正文 的重要 信息 ， 网页正文 主要 信 为
个基 于本体的生物学信息抽取 与查询应答系统。文献 ［ ］提 出 ３
一
本体构造 的方 法 也有 很 多 种 ， 文按 照 Ｕ ｃｏ 本 ｓｈｌ ｄ和 Ｇ ｎ ｕ ｒ— ｉ ｅ 提 出的骨架方法 ， ｎｒ ｇ 过程为 ： ①确定 本体 的应用 目的 和范 围； ②本体分析 ； ③本体表示 ； ④本体评估 ； ⑤本体 的建立。
表 １ 酒 店 属 性 表
／ 读取本体的关键词 ／
／ 进 行 前 序 遍 历 Ｄ Ｍ 树 ／ Ｏ
名称 ｈｓｉ ａｃｖ ｔ
ｈｓａ ａｎｍｅ
定义域 酒店
酒 店
值域 Ｃ ｉａ ｈｎ
Ｓｒ ｇ ｔｎ ｉ
类别 对象属性
数 据 属 性
ｉ ｅ 含 于 Ｃ ｒ ｎＴ ｇ ｛ ｆ ｙ包 （ｋ ｕｒ ｔａ ） ｅ
ａ ｄｆ ｔ ｔ ｎ ａｅｐ ｒ ｒ ｄ，ｆｌ ｗ ｐｗｉ ｈ ｎｏｏ ｙｍａｃ ｉｇｂ ｓｄｏ ｈ ｕｅｃ ｍｐｌｄｂ ＡＰ ｏｆｒ ｓ ｕ ｔｒｄｔｘ ｏｂ ｔｒｄｉ ｎ ｌ ａｉ ｒ ｅｆ ｍｅ ｉ ｒ ｏ ｏ ｏｌ ｓｕ ｔ ｔｅｏ ｔｌｇ ｔｈｎ ａｅ ｎ ｔｅｒｌ ｏ ｉ ｙＪ Ｅ ｔ ｏｍ ｔ ｃｕｅ ｔ ｅｓ ｅ ｎ ｏ ｈ ｅ ｒ ｅ ｔ ｏ
科学研究与技术开发计划项 目（７９ ０ —１ ） ０ １０ １ １ 。陈立娜 ， 硕士生 ， 主研领 域： 信息抽取 ， 语义 Ｗｅ 。 ｂ
店等信息 ， 人们需要手工筛选才能得到 自己所想要的这些信息 。
所以 ， 本文提出了一种基 于本 体 的旅游信 息抽取 方法。该 方法在前期对 网页的处理 中， 网页 的 Ｈ ＭＬ文档 生成 了 Ｄ Ｍ 将 Ｔ Ｏ
｛ ｅｄ ｋｙ ； Ｒ ａ （ ｅ ）
Ｒ ｐａ ｅｅｔ｛
Ｃ ｒ ｎＴ ｇ Ｒ ｃｒ ｏｅ Ｄ ｍ） ｕｒ ｔａ ｅｕＮ ｄ （ ｏ ； ｅ
（ ）建立本体 的对 象属性和数据属性 ２ 在建立完本体 的类别 和层 次后 ， 根据本体类 ， 定义 了本体 的 属性关系 ， 如表 １所示为酒店的部分属性表 。
（ ｏｅｅｏ ｏ ｐ ｔ ｃ ｎｅａｄＥ ｇｎｅｉ Ｇａ ｇ ｉ ｏｍ ｌＵ ｉ ｒｔ，ｕｌ ４ ０ ４ Ｇ ａ ｇｉＣ ｉａ Ｃ ｌｇ ｌ ｆＣ ｍ ｕｅ Ｓｉ ｃ ｎ ｎｉｅｒ ｇ，ｕ ｎｘ Ｎ ｒ ａ ｎｖ ｓｙ Ｇ ｉｎ５ １ ０ ， ｕｎ ｘ，ｈｎ ） ｒ ｅ ｎ ｅｉ ｉ
Ａｂ ｔ ａ ｔ ｓｒ ｃ Ｏｎｏｏ ｙ ｂ ｓ ｄ ｉｆ ｒ ｔ ｎ ｅ ｔ ｃｉｎ ｉ ａ ｍｅｈ ｄ ｏ ｆ ｒ ａｉｎ ｅ ｔ ｃ ｉｎ ｒ ａｉａｉｎ ｗｈｃ ｏ ｉ ｅ ｎ ｏｏ ｔ ｎ ｏ ｍａｉｎ ｔｌｇ — ａ ｅ ｎ ｏ ｍａｉ ｘｒ ｔ ｓ ｔ ｏ ｆｉ ｏ ｏ ａ ｏ ｎ ｍ ｔ ｘ ｒ ｔ ｅ ｌ ｔ ｉｈ ｃ ｍｂ ｎ ｓｏ ｔ ｌｇ ｗｉ ｉ ｒ ｔ ｏ ａ ｏ ｓ ｏ ｙ ｈ ｆ ｏ
体匹配 ， 形成结构化的 内容 ， 存人数据库。该 方法更提高了信息
抽取的效率 ， 改进 了文献 ［ ］ ５ 的方法 。
１ 本 体 的构 建
本体 是概念和关系 的集合 ， 是对 领域知识概 念的抽象 和描 述。利用本体 ， 可以让人 们 、 数据 库和应用 软件来共享 、 重用领 域知识 。
确找 到 自己需要的信息。传统 的信息抽取技术有基 于规则 的方
法和机器学习的方法 ， 但是 它们 缺乏对抽 取出的实体 之间联系
的领域知识的识别能力。本体提供机器可识 别的领域概念知识 及其联系 ， 并具有简单 的推 理能力 。将本体 和信息抽取结 合 的 基于本体 的信息抽取 成为研究 的一个热点。 基于本体的信息抽取 国内外有 不少研究。文献 ［ ］ 出一 ２提
种基于 内容 的信 息获取 ， 它把 ｏｔｏ 驱动 的 内容匹配 机制 ｎｏ ｇ ｌ ｙ
与适 当的表达代理机制相结合 。文献 ［ ］ ４ 提出 了一个基 于应用 领域本体 的非结构 化文本 的信息 抽取方法 。但是 文献 ［ ４］ ２— 的方法都仅仅是基于本体 的抽取 ， 没有将本 体与其他方 法结合 起来 。文献 ［ ］ 出了一种 新 的基于 本体 的信息抽 取方 法 ， ５提
Ｓ ｂ ｒｅ ｏ ｅ ｅ ｒｅ ｏｅ Ｃ ｒ ｎＴ ｇ ｏ ｕ ＴｅＮ ｄ ＝ｎｗ ＴｅＮ ｄ （ ｕｒ ｔａ ，Ｄ ｍ） ｅ
Ｒｐａ ｅｅｔ｛
／ 遍历网页 Ｄ Ｍ子树 ／ Ｏ ／ 取得子树节点 ／ ／ 标题是超链接文本 ／
属性 是酒店名称 、 房间类 型 、 房间价格 、 地址等 ； 旅游景区的一些 属性有名称 、 门票价格 、 区等级 、 系 电话等 ； 景 联 还有酒店 、 旅游 景区以及旅行社等都属于某个地区 ， 它们和地区的关系等信息。
收稿 日期 ： ０ — ８— ７ ２ ８ ０ ２ 。广西青年科学基金项 目（ ６ ０３ ） 广西 ０ Ｏ ４０ ０ ；
树， 这样更便于利用领域本 体里 的关键词准确地定位信息区域 ，
０ 引 言
信息抽取是从一段 文本 中抽取 指定 的一类信 息 （ 事件 、 事
实） 并将其形成结构化 的数据填入一个 数据库 中供用 户查询使 用的过程 Ｊ 。它的产生 是为 了让 人们在 Ｗｅ ｂ的海量信 息 中准
抽取 网页正文 ， 然后对其进行分词 ， 最后 利用 Ｊ Ｐ Ａ Ｅ规则进 行本
ｐ ｏ ｅ ｓ ｇｔ ｃ ｎ ｑ ｅ ｔ ｇ ｔ ｅ ．Ａｎ ｏ ￣ｇ — ａ ｅ ｕ ｓ ｉ ｏ ｍａ ｉｎ ｅ ｔ ｃｉ ｎ ｉ ｐ ｏ ｏ ｅ ｎ ｔ ｉ ｐ ｐ ｒ ｈ ｔｏ ｏ ｉ ｏ ｓ ｔｅ ｗｅ ｐ ｇ ｒ ｃ ｓ ｉ ｈ ｉ ｕ ｏ ｅｈ ｒ ｎ ｅ ｍｏ ｙ ｂ ｓ ｄ ｔ ｒ ｍ ｎ ｒ ｔ ｘｒ ｔ ｒｐ ｓ ｄ ｉ ｈ ｓ ａ ｅ ．Ｔ ｅ ｍｅｈ ｄ ｐ ｓ ｉｎ ｈ ｂ ａ ｅ ｏｉ ｆ ｏ ａ ｏ ｓ ｔ ｉ ｏ ａｉｎ ｒ ｇｏ ｃ ｏ ｄｎ ｏｔ ｅ ｋ ｙ ｏ ｄ ｏ ｒ ｍ ｎ ｏｏ ｙａ ｄｅ ｔ ｃ ｓｃ ｎ ｅ ｔ ｎｏ ａｉ ｎｆｏ ｔｅ ｗ ｂ ｉ ｔ ｅ ｅｗ ｒ ｅ ｍｅ ｔ ｔ ｎ ｆ ｍ ｎ ｒ ｔ ｅ ｉｎ ａ ｃ ｒ ｉ ｇ ｔ ｅ ｗ ｒ ｓｉ ｔ ｕ ｓ ｏ ｔｌｇ ｎ ｘ ｒ ｔ ｏ ｔｎ ｆ ｒ ｔ ｍ ｅ ｓ ｅ， ｈ ｎ ｔ ｏ ｄ ｓ ｇ ｎ ａｉ ｏ ｈ ｎ ｉ ａ ｉ ｍ ｏ ｒ ｈ ｔ ｈ ｏ
节点的文字 内容匹配关键词 ； 出现匹配 的关键词 ， 若 则认 为该 区
图 １ 旅游本体部分类 的关系层次图
域 与概 念关 键词相关 ， 获得标识 节点 位置 ； 以找到包含相关信 可 息的最 小子树 ， 进而对 内容进行 抽取 。具体算 法如下 ：
输入： 处理 的 Ｄ Ｍ 树 ； Ｏ 本体 的关键词 。 输出： 网页 中的标题 和 Ｕ Ｌ Ｒ。
第 ４期
陈立娜 等 ： 于本体 的旅 游信 息抽 取 基
１７ ４
有 了上述 的分析后 ， 本文采用 Ｏ Ｌ语言作 为建立 旅游 ＷＬＤ 领域本体 的语言 ， Ｐｏｅｅ 用 ｒｔ 编辑器构建本体 。步骤 如下 ： ｇ
（ ）定 义本 体 的 类 别和 层 次 １
的是基 于本体 的关 键词及 网页 Ｄ Ｍ 树结构 的抽取算 法 。抓取 Ｏ 的网页分 为 目录型网页和 内容型页面 ， 分别处理如下 ：
ｔ ｅ ｄ ｔｂ ｓ ．Ａ ａ ｔ ｈ ｃ ｕ ａ ｙ ｏ ｅ ｍｅｈ ｄ ｐ ｏ ｏ ｅ ｎ ｔ ｉ ａ ｅ ｓｐ ｏ ｅ ｈ ｏ ｇ ｈ ｘ ｅ ｍｅ ｔ ｈ ａａ ａ ｅ ｔｌｓ ，ｔ ｅ ａ ｃ ｒ ｃ ｆｔ ｔ ｏ ｒ ｐ ｓ ｄ ｉ ｈ ｓｐ ｐ ｒｉ ｒｖ ｄ ｔ ｒ ｕ ｈ ｔｅ ｅ ｐ ｒ ｎ ． ｈ ｉ Ｋｅ ｗｏ ｄ ｙ ｒｓ Ｏｎ ｏｏ Ｉ ｆｒ ｔ ｎ ｅ ｔ ｃｉｎ Ｄ ｔｌ ｇ ｙ ｎｏ ｍａｉ ｘｒ ｔ ＯＭ ｒ ｅ Ｔ ｕ ｓ ｎ ｏ ｍａｉ ｎ ｏ ａ ｏ ｔ ｏ ｒ ｍ ｉｆ ｒ ｔ ｅ ｉ ｏ
核心概念 、 实例及其关 系。旅游领域本体的核心概念有酒店 、 旅 游景区 、 旅行社 、 旅游线路 、 旅游气象 、 民族风俗 、 特色小吃 、 餐饮
和公交路线 以及地 区等 。在 这些核心 概念 中， 如酒店有漓 江大
瀑布饭店 、 宁七星大酒店 、 凯 桂林 山水大酒 店等 ， 酒店还有一些
息的概括总结 。
由于在前 面已经建 立旅 游本 体 ， 而可 以使用 本体 中的关 从 键词来对网页 上信 息 区域进 行定 位 。本 文使 用本 体 中的关键
词， 采用前序方法遍历 整个 Ｄ Ｍ 树 ， 断 当前的节点 是否属 于 Ｏ 判
●
Ｈ ＭＬ标签节点 ， Ｔ 如果当前节点不是 Ｈ ＭＬ 签节点 ， Ｔ 标 则取 当前
第２ ７卷 第 ４期
２１ ０ ０年 ４月
计算机 应 用与软件
Ｃｏ ｕ ｅ ｐｉ ａｉｎｓａ ｄ Ｓ ｆ ｒ ｍｐ ｔ ｒＡｐ ｌ ｔｏ ｎ ｏ ｔ ｅ ｃ ｗａ
Ｖｏ． ７ Ｎｏ ４ Ｉ２ ．
Ａｐ ． ０１ ｒ２ ０
基 于本 体 的旅 游信 息抽 取
陈立娜 张 红 马 莉 蒋运承
它对文章 、 句子的语法结构进行分析 ， 把一些 复杂 的句子分解为 简单 的句子 ， 又结合 了领域本体里 的概念 、 系、 关 关键 词。 随着人们生活水平的提高 ， 旅游成为人们节假 日的首选 。然
而 面 对 Ｗｅ 上 旅 游 网站 的大 量 旅 游 景 区 、 游 线 路 、 行 社 、 ｂ 旅 旅 酒
（ ） 目录 型 页面 的 信 息 抽 取 １
首先定义旅游领域 的基 本类及 类之 间的层 次关 系， １为 图 旅游本体部分类的关系层次 图。
对 网站 中 目录型页面的信 息抽取 ， 关键 是定 位网页 的 目录
标题 区域 ， 网页信息提供者通常很用心地处理 网页的 目录标题 ，
其 中标题通常包含 了网页正文 的重要 信息 ， 网页正文 主要 信 为
个基 于本体的生物学信息抽取 与查询应答系统。文献 ［ ］提 出 ３
一
本体构造 的方 法 也有 很 多 种 ， 文按 照 Ｕ ｃｏ 本 ｓｈｌ ｄ和 Ｇ ｎ ｕ ｒ— ｉ ｅ 提 出的骨架方法 ， ｎｒ ｇ 过程为 ： ①确定 本体 的应用 目的 和范 围； ②本体分析 ； ③本体表示 ； ④本体评估 ； ⑤本体 的建立。
表 １ 酒 店 属 性 表
／ 读取本体的关键词 ／
／ 进 行 前 序 遍 历 Ｄ Ｍ 树 ／ Ｏ
名称 ｈｓｉ ａｃｖ ｔ
ｈｓａ ａｎｍｅ
定义域 酒店
酒 店
值域 Ｃ ｉａ ｈｎ
Ｓｒ ｇ ｔｎ ｉ
类别 对象属性
数 据 属 性
ｉ ｅ 含 于 Ｃ ｒ ｎＴ ｇ ｛ ｆ ｙ包 （ｋ ｕｒ ｔａ ） ｅ
ａ ｄｆ ｔ ｔ ｎ ａｅｐ ｒ ｒ ｄ，ｆｌ ｗ ｐｗｉ ｈ ｎｏｏ ｙｍａｃ ｉｇｂ ｓｄｏ ｈ ｕｅｃ ｍｐｌｄｂ ＡＰ ｏｆｒ ｓ ｕ ｔｒｄｔｘ ｏｂ ｔｒｄｉ ｎ ｌ ａｉ ｒ ｅｆ ｍｅ ｉ ｒ ｏ ｏ ｏｌ ｓｕ ｔ ｔｅｏ ｔｌｇ ｔｈｎ ａｅ ｎ ｔｅｒｌ ｏ ｉ ｙＪ Ｅ ｔ ｏｍ ｔ ｃｕｅ ｔ ｅｓ ｅ ｎ ｏ ｈ ｅ ｒ ｅ ｔ ｏ
科学研究与技术开发计划项 目（７９ ０ —１ ） ０ １０ １ １ 。陈立娜 ， 硕士生 ， 主研领 域： 信息抽取 ， 语义 Ｗｅ 。 ｂ
店等信息 ， 人们需要手工筛选才能得到 自己所想要的这些信息 。
所以 ， 本文提出了一种基 于本 体 的旅游信 息抽取 方法。该 方法在前期对 网页的处理 中， 网页 的 Ｈ ＭＬ文档 生成 了 Ｄ Ｍ 将 Ｔ Ｏ
｛ ｅｄ ｋｙ ； Ｒ ａ （ ｅ ）
Ｒ ｐａ ｅｅｔ｛
Ｃ ｒ ｎＴ ｇ Ｒ ｃｒ ｏｅ Ｄ ｍ） ｕｒ ｔａ ｅｕＮ ｄ （ ｏ ； ｅ
（ ）建立本体 的对 象属性和数据属性 ２ 在建立完本体 的类别 和层 次后 ， 根据本体类 ， 定义 了本体 的 属性关系 ， 如表 １所示为酒店的部分属性表 。
（ ｏｅｅｏ ｏ ｐ ｔ ｃ ｎｅａｄＥ ｇｎｅｉ Ｇａ ｇ ｉ ｏｍ ｌＵ ｉ ｒｔ，ｕｌ ４ ０ ４ Ｇ ａ ｇｉＣ ｉａ Ｃ ｌｇ ｌ ｆＣ ｍ ｕｅ Ｓｉ ｃ ｎ ｎｉｅｒ ｇ，ｕ ｎｘ Ｎ ｒ ａ ｎｖ ｓｙ Ｇ ｉｎ５ １ ０ ， ｕｎ ｘ，ｈｎ ） ｒ ｅ ｎ ｅｉ ｉ
Ａｂ ｔ ａ ｔ ｓｒ ｃ Ｏｎｏｏ ｙ ｂ ｓ ｄ ｉｆ ｒ ｔ ｎ ｅ ｔ ｃｉｎ ｉ ａ ｍｅｈ ｄ ｏ ｆ ｒ ａｉｎ ｅ ｔ ｃ ｉｎ ｒ ａｉａｉｎ ｗｈｃ ｏ ｉ ｅ ｎ ｏｏ ｔ ｎ ｏ ｍａｉｎ ｔｌｇ — ａ ｅ ｎ ｏ ｍａｉ ｘｒ ｔ ｓ ｔ ｏ ｆｉ ｏ ｏ ａ ｏ ｎ ｍ ｔ ｘ ｒ ｔ ｅ ｌ ｔ ｉｈ ｃ ｍｂ ｎ ｓｏ ｔ ｌｇ ｗｉ ｉ ｒ ｔ ｏ ａ ｏ ｓ ｏ ｙ ｈ ｆ ｏ
体匹配 ， 形成结构化的 内容 ， 存人数据库。该 方法更提高了信息
抽取的效率 ， 改进 了文献 ［ ］ ５ 的方法 。
１ 本 体 的构 建
本体 是概念和关系 的集合 ， 是对 领域知识概 念的抽象 和描 述。利用本体 ， 可以让人 们 、 数据 库和应用 软件来共享 、 重用领 域知识 。
确找 到 自己需要的信息。传统 的信息抽取技术有基 于规则 的方
法和机器学习的方法 ， 但是 它们 缺乏对抽 取出的实体 之间联系
的领域知识的识别能力。本体提供机器可识 别的领域概念知识 及其联系 ， 并具有简单 的推 理能力 。将本体 和信息抽取结 合 的 基于本体 的信息抽取 成为研究 的一个热点。 基于本体的信息抽取 国内外有 不少研究。文献 ［ ］ 出一 ２提
