６第３卷　第８期３６　Ｎｏ８．计算机工程ＣｏｍｐｕｔｒＥｎｇｎｅｒｎｇｅｉｅｉ００年４月２１ｌｉ２０Ａｐｒ　０１?软件技术与数据库?　０２２０＆ｍ０章号ｌ　３８０）　６－文编：０＿４（１００＿４文标码ｔ献识ＡＴ３圈类　３中分号ｔＰ９基于世界知识的深网数据源增强分类模型黄黎　，赵朋朋，方巍，崔恚明，孙振强１苏州大学智能信息处理及应用研究所，（．１０６２江苏广播电视大学，苏州２５０；．南京２０１；．南大苏富特科技有限公司，１０７３１０６苏州２５０）　捕ＮｅｐＷｅ）（ｅｐＷｅ数据源增强分类模型，通要：针对传统词袋方法在深ＩＤｅ　ｂ数据源分类应用中的局限性，提出一种基于世界知识的Ｄｅ　ｂ过对外部知识库的主题分析，建立特征映射，构造基于领域概念的辅助分类器，ｅＷｅ查询表单的特征集合。基于Ｗｉｐｄ百科ｐ丰富Ｄｅ　ｂｉａｋｅｉｂ　知识库对真实Ｗｅ数据进行分类。实验结果证明该模型有效。关健诃：深网；数据源分类；主题分析；特征映射；世界知识ｈｎｅ　ｅ　ｂＤａａＳｕｃｓＣｌｓｉｃｔｏ　ｄｌｉＥｎａｃｄＤｅｐＷｅ　ｔ　ｏｒｅ　ａｓｆａｉｎＭｏｅｓｄ０ｒｄＫｎｏｅｅＢａｅ　ｎＷｏｌｗｌｄｇＬｉＺＨＡＯ　ｅｇｐｎ　ＦＨＵＡＮＧ　　，Ｗｉ，　ｉｍｉｇ，ＵＮ　ｅ．ｉｎＰｎ—ｅｇ，ＡＮＧ　ｅ　ＣＵＩＺｈ．ｎ　ＳＺｈｎｑａｇ１Ｉｓｉｔｏ　ｔｌｇｎ　ｆｒｔ　ｒｃｓｉ　　ｐｉｔ，ｏｃｏ　ｎｖｒｉ，ｕｈｕ２　０；ｔ　ＩｉＩｏｎｎ（．ｎｔｕｅｆｎｅｌｅｔｎｏｍａｉｎＰｏｅｓｇａｄＡｐｌａｉｎＳｏｈｗＵｉｅｓｙＳｚｏ　　０６ｃｏｔ１５．ｉｇｕＲｄｏａ　ＶＵｉｅｓｙＮａｊ　１０７３ＮａｄｓｆＣｏａｙＬｄ，ｕｈｕ２５０）ａｎｔｎｌ２Ｊｎｓ　ａｉ　ｄＴ　ｎｖｒｉ，ｎｉｇ２０１；．ｎａｏ　ｍｐｎ　ｔ．Ｓｚｏ　１０６Ａｂｔａｔ　ａ　ｆｒｓｈｄｕｅ　　ｅｐＷｅ　ｏｒｅ　ａｉａｉ　ｈｗｓｙｌｔｉｓＴｉｐｐｒｏｏｅ　ｎｖｌｅｐＷｅ　ｏｒｅｍｅｎｉｃｓｆｏ［ｓｒｅｌＢｇｏｗｏｄ　ｔｏ　ｓｄｉＤｅ　ｂｓｕｃｓｌｓｃｔｎｓｏ　ｎ　ｍｉｔｎ．ｈｓａｅ　ｒｐｓｓ　ｏｅＤｅ　ｂｓｕｃｓｍａｉａｏ　ｐａ　ｎａｃｎ　ｌｓｉａｉｎｍｏｅ　ｅ　ｎｗｏｌ　ｎｗｌｄｅＩ　ｏｓｕ　ｈ　ｅｔｒ　ｐｉｓｂ　ｏｉ　ｎｌｓｓｏ　ｘｅｌｋｏｅｇ，ｏｓｒｓａｉｂａｕｃｅｈｎｉｇｃａｓｆｃｔｏ　ｄｌｓｄｏ　ｒｄｋｏｅｇ．ｔｓｔ　ｐｔｅｆａｕｅｍａｐｎｇ　ｙｔｐｃａａｙｉ　ｆｅｔｍａ　ｎｗｌｄｅｃｎｔｔ　ｎｕｉａｙｃｓｒｂｓｄｏ　ｏｉ　ｏｃｐｓｎ　ｎｉｅ　ｅｔｅｓｔｆＤｅｐＷｅ　ｏｍｓｘｅｉｔｓｅｆｒｄｂｓｄｏ　ｋｐｄａｉａｆｉｃａｘｌｒ　ｌｓｉｅ　ａｅ　ｎｄｍａｎｃｎｅｔ，ａｄｅｒｈｓｆａｒ　ｅｏ　ｅ　ｂｆｒ．Ｅｐｒｎｉｐｒｏｍｅ　ａｅ　ｎＷｉｉｅｉｕ　ｍｅ　　ｎｙｃｏｅｉ，ａｄｅｐｒｍｅｔｌｓｌｖｒｙｔｓｍｔｏ　ｅｆｃｉ　ｎ　ｃｌｂｅｒｓｉｈｓｖｅｃｌｐｄａｎ　ｘｅｉｎａ　ｅｕｔ　ｅｆ　ｉ　ｅｈｄｉ　ｆｅｔｅａｄｓａａｌ．Ｋｅ　ｒｓ　ｅｐＷｅ；ａａｏｒｅ　ａｓｆａｉ；ｏｉｎｌｓｆａｅｓｃｉｏ　［ｙｗｏｄｌＤｅ　ｂｄｔ　ｕｃｓｌｓｉｃｔｎｔｐｃａａｙｉ；ｅｔｒ　ｐｉｇｗｏｌ　ｏｅｇｓｄｎｄｕｍａｐｎ；ｒｋｗｌｅ１概述Ｄｅ　ｅ）深网（ｅｐＷｂ信息量高速增长，大规模的Ｄｅ　ｅｅｐＷｂ数据集成亟待一种高效的数据源分类技术以优化信息检索。　Ｄｅ　ｂ与普通的静态网页相比，ｅｐｅ的信息量更大，Ｗ主题更专ｒＮｔ４在且Ｗｏｄｅ有限的词汇量制约了聚类的效果。文献［］文本ｐａｋｄ分类中利用了Ｗｉｉｉｉ中的概念构造辅助分类器计算语义Ｏ５】相似度，增强了ＢＷ对特征信息的描述程度。文献［从Ｗｋｅｉ抽取关系并构造一个相对规模较小的词库，ｉａｉｐｄ实现了　一信息质量更高，结构化更好。因此，ｅｐｂ，　ＤｅＷｅ成为人们　获取信息的一个重要途径。然而其隐藏性、动态性和异构性ｅｐＷｅ　特征给Ｄｅ　ｂ数据源分类带来巨大的挑战。查询接口作为获取信息的唯一途径，已成为众多学者研ｅｐＷｅ究Ｄｅ　ｂ数据源分类的重要手段。ｅｐＷｅ传统的Ｄｅ　ｂ数据Ｏ源分类方法通常基于传统的ＢＷ方法，孤立地度量各个特征的权值，而忽略特征项间重要的语义关联，造成了重要特征信息的丢失。因此，Ｏ　传统的ＢＷ方法分类精度并不理想。尤其当查询接口特征稀疏时，其性能会大大降低。　Ｏ本文针对传统ＢＷ方法的不足，提出一种使用世界知ｅ　ｂ数据源增强分类模型，通过语义分析产生新识的ＤｅｐＷｅ的特征空间，将特征集合的分析提高到语义级别，旨在提高ｅＷｅ　Ｄｅｐｂ数据源分类的性能。２相关工作ｅｐＷｅｅ　ｂＤｅ　ｂ数据源分类是ＤｅｐＷｅ数据集成中的重要步ｌ骤，目前已提出了一些比较有效的分类方法及模型。文献【】　ｅｐＷｅ根据查询接口模式提出了一种层次结构的Ｄｅ　ｂ数据源２提分类方法。文献［］出一种基于上下文感知的表单聚类方法，将ＷｅｅｐＷｅｂ表单的文本内容和表单内容综合，对Ｄｅ　ｂ数据源进行聚类。文献【］３利用了Ｗｏｄｅ同义词库作为文本ｒＮｔ特征表示的依据，进行文本聚类，但是忽略了词义消歧，并文本的有效分类。　　ｅｐｗｅ查询表单特征的构造３Ｄｅ　ｂＤｅ　ｂｅｐＷｅ查询接Ｉ特征服从齐夫分布（ｉｆｉｒｕｉ）：ＩＺｐｄｓｉｔｎ，ｔｂｏ即查询接口的领域特征往往只通过少数频繁的特征子集表现出来，并且每个领域中的特征数量随查询接口数量的递增而Ｊ趋于稳定　。因此，表单特征的领域指向性为数据源按领域　分类提供了依据。．１３查询表单能力分析．．３１１查询表单定义Ａｔｉｕ　ａｅ和属ｒｅ）查询表单中的特征通常以属性标签（ｔｂｔＬｂ１Ａｔｂｔａｕ）ｒ性值（ｔｉｕｅＶｌｅ的形式存在，属性标签具有文本描述的Ｔ功能，属性值是指ＨＭＬ标记中的一个或多个表单控件，包基金项目：（０７０２；国家自然科学基金资助项目６６３９）江苏省科技支撑Ｂ２００４；２０年度江苏省“计划基金资助项目（Ｅ０８４）０６　六大人才高峰”（６Ｅ０７；２０基金资助项目０一一３）０８年度江苏省高校研究生科研创新计Ｃ８＿９Ｚ）划基金资助项目（Ｘ０Ｂ０９作者筒介：１８－，硕黄黎（９２）女，士研究生，主研方向　　深网技术，数据挖掘；赵朋朋，博士；方崔　巍，博士研究生；志明，教授、博士生导师；孙振强，高级工程师、硕士２收稿日期：２０—０００９１－ｌｈｉｌｏＥｍａ：ｓｕｎｌｍａ．ｍ－ｉｚａｇ＠ｇｉｃｎｕ，Ｓｌｔｅｔａｅｒ括Ｉｐｔｅｃ，Ｔｘａｅ。查询接口可形式化定义为　ａ，　，ａ表示表单上的控件属性。在逻辑上，一…，Ｆ＝，　ａ｝ｅｐＷｅ个控件和它关联的标签构成了一个属性，对应于Ｄｅ　ｂ数据库中的一个字段。通常一个标签可以与其关联的一个或多个表单控件共同构成一个特征属性。那么，查询表单可以　ＶＬ　…，形式化地描述为Ｆ＝｛。０（２）（　），其中，代（，，，，　，｝　　表标签值；＝｛　一　）示与标签对应的一个或多个控Ｅ，表件；Ｅ代表控件。Ｄｅｐｂ查询表单的检索能力通常取决于Ｗｅｅ表单特征的领域指向性，经过分析，表１中的特征将作为特　征提取的对象。　ｅｐＷｅ查询表单特征表１ＤｅｂＯ　本文将查询表单中的可视化特征集合称为ＢＷ特征。利用机器学习和自然语言处理的方法虽可以改善ＢＯＷ方法　的局限性，但是并未从根本上产生新的特征。．．２３１查询表单特征选择查询接口表单产生的高维特征空间会造成较大的分类代价，ｎｎＩｏｉ方法从特征集合中选择决策本文利用信息增益（ｆＧａ）性特征。信息增益越大，　对数据源领域归属的决策程度越高，　公式如下：ｎ　（：１ｃ）Ｐ（ｉ　圭ｃ）掣ｃ）ｆ）ｉ　ｉ１　ｉ１ｉＩ　，ｎｐ，ＩＧｆ圭（ｔ丛Ｃ）＋　（Ｔｎｐ（　＝＝１（）　其中，ｔ３中的一个特征项；ｐｃｆ为查询接１　表示特征项，（，）在　第　类中出现的频率。同时，对表单特征的分析可得，反应主题性的多个属性特征常常频繁出现，构成特征共现模型。利用不同特征词共　同出现的频率进行衡量，共现的频率越高，其关联越紧密。　特征间的相对共现度可计算如下：Ｏｔｉ－　Ｃ（ｔ）±　２ｆ１，，２　　分类器的覆盖面，在数据格式的一致性上并未做严格要求，　提高了分类模式的灵活性。ｋｐｄａ是ｂ知识库，包含近１０万篇Ｗｉｉｅｉ目前最大的Ｗｅ０文章，约超过３ｋｐｄａ已应用于信息检索和自然亿词汇。Ｗｉｉｅｉｋｐｄａ作为外部语言处理领域中作为语料库。本文选择ＷｉｉｅｉＯ知识库，利用其层次概念知识库克服ＢＷ方法在传统分类将＝ｑ…，，中的不足，其形式化表述为一个概念的集合ｃ　，，　｝ｉ每个概念Ｃ对应于一个文档集合　，Ｔ＝｛…，｝，并将ｔ　，ｔｉ．ｍｉ２Ｌ　ｒ…，，　概念之间的关联集合Ｒ表示为Ｒ＝｛，，ｒ｝其中，代表对应于第ｉ个概念的文档中第　ｆｒ＝｛　｝　，个特征词，ｋ＜ｃ＞。．．３２２基于世界知识的特征集合的生成对知识库中的每个文档，ＬＡ）可利用基于潜在语义分析（Ｄ　的隐含主题分析模型，获得主题的特征集合描述。对知识库中庞大的文档集合，Ｄ利用最大似然法估计ＬＡｂｓ采的参数几乎无法实现，因此，本文采用Ｇｉｂ样的近似方　法实现对参数的估计。假设　和ｚ分别代表所有词汇向量及其数据集合　中的主题分布向量，那么，一个词汇ｆ的主题分布可以由如下公　式计算：（ｉｚ　，ＰＺ＝ｋｌ　＝＋　＋　【　。＋２【　。　一１∑　”屈卜１∑，＋］　３　（）　【表示词汇ｔ】其中，，分配给主题ｋ∑　１的出现频率；　：一表　示分配给主题ｋ的所有词汇的数量；表示分配给主题ｋ’　的文档ｍ中词汇数量；∑　表示文档ｍ中所有词汇的Ｌ１　ｉｃｌｉｔ参数　和　是对称的，即所有的数量。通常Ｄｒｈｅｋｉ…，（＝，，／２　ｖｌ…，　－２０都是相等的，（＝，，　也类似。层次结构中的每个节点对应一个概念，每个概念都有一个关联的文档集合，其中的每篇文档都可以利用上述方法构ｉ　，…，，ｃ表示文档的隐造出概念的特征集合，即Ｃ＝｛　，　｝　　　含概念，Ｃ即概念集合，∈ｃ，表示概念的特征项。．．３２３表单特征与概念之间映射的建立通过对查询表单的特征分析发现，同义词、多义词，以及上位词都有助于扩展特征信息，因此，需要一种有效的方　法以建立表单特征与隐含主题特征的概念之间的映射关系。，ｒ，，、　（ｆ＝，其中，Ｒ　Ｉ），ｆ（ｊ表示特征项ｆ和ｆ在查询表ｔ）ｉｔ　，ｔ）Ｊ［ｊｆｔ表示特征项ｔ在表单中出现的频，单中共同出现的频率，（）ｊ　　ｌ，）（　。ｊ率，（，一般不等于Ｒｔ）本文从主题词开始入手按照主题词的共现程度，分别计算与其频繁共现的特征项，并为决策特征和共现词的判定设．，严格限制特征集合的规模。定阈值　和　，均为０５　．３２查询表单特征产生器的构造ｅｐＷｅｌ针对Ｄｅ　ｂ查询接Ｅ中的特征稀疏问题，利用外部Ｏ　知识库构造辅助分类器可以为ＢＷ增加新的特征集合。．．３２１知识库构造为分类模型选择一个合适的外部知识库应满足如下条１外部知识库必须满足资源量大、知识丰富的特征，才件：（）２知识库能为分类任务提供相关的词汇、概念和主题特征；（）利还必须满足层次化的结构关系，用概念上下文的广义概括，　扩充特征关联信息的描述。同时，巨大的外部知识库可以解决标记样本集合有限的局限性，利用大量的未标记数据扩大由于概念项之间关系的多样性，知识库存在多个领域交叉的情况，因此外部知识库的结构层次不是一个简单的树结构，而是一个有向无环图，父类概念可以为子类概念提供更加概括的描述。当２个概念具有共同的父类概念时，它们之７中的基于网络间必然存在一定的语义关联。本文使用文献【】连通性和词典句法匹配的方法，获得知识库的概念之间的ｉａ—　“ｓ”关系，使表单特征与概念之间的映射更具有通用性，　产生泛化概念集合。为了提高表单特征与外部知识库中概念的映射效率，本文采用倒排索引的方法，基于词频统计为表单中的每个特征ｋ，，ｍ。那么，对于ｋ…，产生相应概念的倒排索引序列Ｋ＝｛ｌ２ｋ｝（，）ａ，２，　，｝ａｗ，…，　查询表单特征Ｆ＝｛　１（　ｗ）（　），其中，ａ表示　，特征属性，表示属性ａ的权值，可以通过匹配获得与特征ｊ，，，ａ对应的概念ｃ的索引序列ｋ，并且对概念特征Ｃ进行权　重度量，计算如下：Ⅵ　　＝∑ｑＦ４（）当特征属性与上层泛化概念之间存在映射关系时，将对泛化概念的权值计算进行调整，为不同层次的上层概念分配ＶｅｐＷｅ利用ＳＭ分类方法对大量数据建立分类模型，对Ｄｅ　ｂ一个呈递减趋势的影响因子　。显然，层次越高，其概念对特征属性的影响越低，即关联性越弱，将影响度定义为￣）　Ｌ（／ｃ＝?ｃ＝（）以‘ｃ，￣（＝１ｆｃ?（）／ｌ）那么上层概念的权重可以表示为ｎｎｘ＝∑ｑＦ’ＪｖｄＷｌｌｅ　　ｋ’（）ｃ５（）数据源进行分类，实验结果如图１所示。并分别对在２个数据集上的实验结果进行比较，如表２所示。　０Ｏ置一　８０－＝　—－／／　—－—．＼．二一’、◆，，、—一　　０萋６祷　０羹４机票汽车图书汽车租赁宾馆工作电影音乐　Ｅ－数据集分类策略准确率比较圈１ＴＬ８表２数据舞分类结果比较ｅ　ｂ数据源分类中，在ＤｅｐＷｅＯ实验分别采用基于ＢＷ和ＢＷ＋ＵＧ进行分类性基于世界知识模型的增强分类方法（ＯＡ）能的比较。从图１可知，利用知识模型的主题特征在ＢＯＷｅ　ｂ查询表单的固有特征特征的基础上进行扩展，使ＤｅｐＷｅＯ得以丰富，其分类准确度明显优越于传统的ＢＷ方法。实Ｖ验结果表明，运用ＳＭ方法分别对表单内容特征和表单的超链接特征训练分类器并相互迭代可以获得更好的分类性ＶＭ的最终决策函数只由少数的支持向量所确定，能。Ｓ计算　的复杂性取决于支持向量的数目，而不是样本空间的维数，在某种意义上避免了“，维数灾”在本文的分类任务出显示出　良好的鲁棒性。ｅｐＷｅ由于Ｄｅ　ｂ数据具有领域异构性特征，不同领域中的表单属性呈现出不同的特征规律，因此造成某些领域的表　单特征主题不突出，缺乏规律性，造成分类特征较为稀疏。但是通过外部知识库中概念的主题特征分析，克服了特征稀疏的局限性。由表２ＷＲｎｏ可见，随机数据集Ｉａｄｍ的性能提Ｅ一，是由于本身Ｉａｄｍ的特征规律性高程度略大于ＴＬ８ＷＲｎｏ　较弱，因此，通过特征构造可明显突出特征集合的主体性，Ｅ一从而提高分类性能。本文在ＴＬ８上做进一步分析，利用—ａｕｅｋｐｄａＦｍｅｓｒ评价方法，将基于Ｗｉｉｅｉ的数据源分类方法与Ｏ　传统的ＢＷ分类方法在各分类之间进行比较，结果如表３　所示。　ｅｐＷｅ增强分类策略的性售比较表３不同Ｄｅ　ｂ％）（ｋｐｄａ由表３可以看出，不同的领域其适用于基于Ｗｉｉｅｉ　的增强分类的程度不同，电影和音乐领域在经过基于主题分．．４３２基于层次结构的相似性度量ｋｐｄａ概念之问建立的映射关系可以为表单特征与ＷｉｉｅｉＯＢＷ方法提供丰富的基于概念的特征信息，因此，ｅ　ｂＤｅｐＷｅ查询表单的固有特征集合就扩充为一个基于多个概念主题特Ａ　　…，，Ａ表示ＢＷ征下的多元特征集合，即Ｆ＝｛，，，　｝Ｏ　特征集合，Ｃ表示满足一定阈值要求的相关概念的特征集合。　当查询表单中的若干特征均与某一概念存在映射关系时，　则其权值可计算如下：＝∑口’』ｅＣ）ｘｊ　（　ｗ　ｄ（）６　（）．ｄＥ，　ｗ，表示特征属性ａ的权重；　～（，表示概念ｃ其中，Ａａ）ｉ｝ｃ），　，　相对于ａ的权重。通过外部知识库的主题分析和Ｂ　ＯＷ表单特征的扩充，　本文采用余弦相似度的计算方法进行度量。４实验与分析本文在真实的ＷｅｅｐＷｅｂ数据集上对基于世界知识的Ｄｅ　ｂ数据源分类策略进行验证，并分析实验性能和实验结果。　．４１实验数据实验采用ＵＵ的Ｗｅ集成仓库中的ＴＬ８和１ＣｂＥ一Ｉａｄｍ数据集。Ｅ一ＷＲｎｏＴＬ８包含４７Ｄｅ　ｂ数据源的查４个ｅｐＷｅ：询接Ｉ表单，涉及机票、汽车、图书、汽车租赁、旅馆、工１作、电影、音乐共８个领域。该数据集中的查询接口表单多为结构化多属性模式，领域的异构性使得某些领域中存在特征稀疏的情况。ＷＲｎｏｎｉｂｅｂｔＩａｄｍ是从ＩｖｓｌＷｅ．ｅ从随机获取ｉ—ｎ的３Ｄｅｐｂ数据源样本。３个ｅＷｅ　．４外部数据构造２ｉ在本实验中选择Ｗｉｐｄａｋｅｉ作为ＤｅｐＷｅｅ　ｂ数据源分类模型中的外部知识库。首先，需要获得Ｗｉｉｅｉｋｄａ层次结构中ｐ涉及各个领域的概念节点，Ｒ将节点的ＵＬ称为种子地址，作为￥ｅＵＬ参数，ｅｄＲ并提供给爬虫程序ＪｋＤｃＷｉｉｏｓ以获得相应ｋｐｄａ　的Ｗｉｉｅｉ页面以及具有链接关系的相关页面集合。实验对爬虫程序的执行过程设置了相应的参数，将针对Ｐ每个概念爬取的文章数量ｔｔｌａｅ设置为１０篇，并且默ｏａｇｓ０认的最大爬取深度设置为４．Ｇ。爬取完毕，共获得了２　Ｂ的８Ｗｉｉｅｉ文档数量，其中存在概念交叠的情况，因此，需要ｋｐｄａ进一步进行去重处理，获得１　Ｂ的外部数据量，然后再进．Ｇ６行内容的解析和特征去噪。将最终所获得的数据做为数据源　产生新的特征所必需的领域知识。．４３结果分析实验采用ＬＡ的主题分在上述２个数据集合的基础上，Ｄｋｐｄａ文档集合进行主题分析，并获得相应的析方法对Ｗｉｉｅｉ特征集合。为避免无关主题的影响，笔者在实验中只选择前０个相关主题概念，并对每个概念的中的特征基于统计的方１０个特征属性，法获得其前２过滤噪音特征。为提高表单特征ｋｐｄａ概念之间的映射效率，采用建立倒排索引的方与Ｗｉｉｅｉ／０的法。在实验数据集中采用十折交叉验证，将数据集中９１ｅｐＷｅＤｅ　ｂ查询接口组成训练集，其余的数据作为测试集。并析的特征扩展之后，分类性能有了明显的提高，究其原因在数据源增强分类策略，有效地改善了传统Ｂ　ＯＷ方法的不足。基）糌苴『一，　垦静嚣于固有特征的稀疏以及特征集合的规律性较差，利用知识库　黯蛇帅ｅｐＷｅ实验证明，该策略在Ｄｅ　ｂ数据源分类研究中获得了良跖料跎帅　弭　进行特征扩充则克服了原有方法的不足。但是，对于某些特　好的效果和明显的性能提升。如何更准确地获得主题特征，征呈现一定规律性的领域，例如图书和工作，其表单特征具　以及如何有效建立映射关系是下一步的研究工作。　有明显的领域区分性，因而分类性能的提高并不明显。可见，ｋｐｄａ的增强分类策略更加适用于特征较为稀疏的基于Ｗｉｉｅｉ参考文献　分类应用。１ＨｅＢｉ，ａ　ａ，ａｇＫＣＣ．ｕｔｉ　ｔｔｅ　ｂＳｕｃｓｅｎｕｕ　［］　ｎＴｏＴｏＣｈｎ　　　ＣｌｓｒｇＳｒｃｒｄＷｅ　ｏｒｅ：实验分别采用准确率和召回率对增强型分类模型在数据ｃｅ—ａｅ，ｄｌｆｒｎｉｉ　ｐｒａｈＣ］Ｐｏ．ｆｄａｏ／Ａ　ＳｈｍａｂｓｄＭｏｅ—ｉｅｅｔｔｎＡｐｏｃ［／ｒｃｏＥ?上进行评价，如图２所示。结果分析可得，其平均集ＴＬ８ＤＢ＂．ｒｋｉ，ｅｃ：ｓｎ】０４５６５６０ｏ，　ＥＪ’４ＨｅａｌｎＧｒｅｅ［．．２０：３—４．７８准确率可达８．４９％，平均召回率为８．％，可见基于外部知［］ｒｏａＬＦｅｒ　，ｉａＡ．ｒａｉｎ　ｄｅ—ｂＤｔａｅ　ｙ２Ｂａｂｓ　，ｒｉＪＳｌ　ＯｇｎｚｇＨｉｄｎＷｅ　ａａｓｓｅｖｉｂｂ识库的特征构造方法可以获得较好的分类精度，明显优越于ｌｓｒ　ｉｉｅｂＤｏｕｎｓＣ／ｒｃｏｅｎｂＣｕｔｉｇＶｓｌＷｅ　ｃｍｅｔ［］Ｐｏ．ｆＩＤＥ’７１ｔｎｕ，／Ｃａ０．ｓｂｌ　Ｏ该ｅｐｗｌｂ数据传统ＢＷ方法，因此，方法是一种有效的Ｄｅ　ｅＴｒｅ：ＥＥＥＣｏｕｅ　ｏｉｔ２７３６３５ｕｋｙＩ　ｍｐｔｒＳｃｅｙ，００：２－３．　’　源分类模型。３ＤａｅＫ，ａｒｎｅＳＭｉｉｇｔ　ｅｎｔｌｙＯｐｎｏ　ｘｒｔｈＧａｅａｏ［］ｖ　Ｌｗｅｃ　．ｎｎ　ｅＰａｕ　ｌｒ：ｉｉｎＥｔｃｉｎｎ　Ｓｍａｔ　Ｃａｓａｉ　ｏ　ＰｏｕｔｅｉＣ／ｒｃｆｃｉｆｏｗｓ／ａｄｅｎｉｌｓｉｃｔｎｆｒｄｃ　Ｒｖｅ［］Ｐｏ．ｏ日■ｉ嗣　０．ｕａｅｔｎａｙ［．．０３，，　ｗｗｗ’３ＢｄｐｓＨｕｇｒ：ｓｎ］２０．４ｂｉｖｃＥｌｈｃｒｏｉ　．Ｃｍｐｔ　ｅｎｉＲｌｅｎｓ［］Ｇａｒｏｉ　，ＭａｋｖｔｈＳｏｕｉｇＳｍａｔ　ｅａｄｅｓｎｃｔ　ｉ　ｋｐｄａａｅ　Ｅｐｉｔｍａｔ　ａｙｉＣ／ｒｃｆｎ—ｃ　Ｓｃｓ／ＵｓｇＷｉｉｅｉｂｓｄｘｌｉｅｎｉＡｎｌｓ［］Ｐｏ．ｏＪＩ’．ｄｒｂｄＩｄａ［．０７０．，　ＣＡＩ７Ｈｙｅａａ，ｎｉ：ｓｎ］２０．５ＨｕＪ，ａｇＬｊｎＣｏＹｎ，ｔ．ｎａｃ　ｅｔｓｒ　ｙａａｎＣｌｅｎ［］　ｉｎＦｎ　ｕｕ，ａ　ａｇｅ　１ＥｈｎｉｇＴｘ　ｕｔｉｇｂｅｅａｉｇＷｋｐｄａＳｍａｔｓＣ／ｒｃｏ　ＧＩ０．ｉｇｐｒ：ｃ／ＳＬｖｒｇｎ　ｉｉｅｉ　ｅｎｉ［］Ｐｏ．ｆＩＲ’８Ｓｎａｏｅ　ｓ．０８．，　［ｎ】２０．６ｈｎ　ｈｎＨｅＢｉ，ＣａｇＫ　　ＵｎｅｓｎｉｇＷｅ　ｅｔｙ［】ＺａｇＺｅ，　ｎｈｎ　ＣＣ．ｄｒａｄｎ　ｂＱｕｒ机票汽车图书汽车租赁宾馆工作　电影音乐ｎｅｆｅ：ＢｅｔＥｆｒＰｒｉｇｗｉ　ｄｅ　ｙｔ［］Ｐｏ．ｆａＩｔｒｃｓｏｎｈｘ／ｓ　ｆｔａｓ　ｔＨｉｄｎＳｎａＣ／ｒｃｏｅｐＷｅ数圈２基于知识模型的Ｄｅ　ｂ据源分类结果Ｉ０．ａｉＦａｃ：ｓｎ】０４ｓ，ＳＧＭＯＤ’４Ｐｒ，ｒｎｅ［．．２０．７ｏｚＵ　，ＳｒｅＭｕｅｉｎ　　ａｇ　ｃｌ　ａｏｏ　ｒｖｏ［］ＰｎｅｏＳｔｂ　．ＤｒｉｇａＬｒｅＳａｅＴｘｎｍｙｆｍ５结束语ｋｔｄａＣ／ｒｃｏＡ）／’．ａｃｕｅ，ａａａ［．．０７０，　Ｗｉｉｅｉ［］Ｐｏ．ｆＡＡＩ７ＶｎｏｖｒＣｎｄ：ｓｎ］２０．ｋｐｄａ知识库，结合特征语义分析和构造本文基于Ｗｉｉｅｉ编辑金胡考提ｅｐＷｅ辅助分类器，出一种新型的基于世界知识模型的Ｄｅ　ｂ上接第５（　９页）阈值和最佳阈值的比随之增加，即估计效果在变差。同时，　本算法估计的阈值还是比较接近实际值的，所以在本算法中　的估计方法是有效的。?３Ｏ?２５．————Ｊ　／　２．０　ｌ０Ｏ５?　０Ｏ０１０２００３００４００５００个的数目，图３在蘑菇数据集上最佳■值和估计舅值的比?３Ｏ　２５５结束语ｏ—为了有效解决关系数据库上的ＴｐＫ强相关项目对的挖ｏ—掘问题，本文提出了基于阈值估计的ＴｐＫ强相关项目对挖掘算法。理论分析表明本算法得到的结果集相对较小且在阂ａｅＲ值估计后进行了有效剪枝，执行效率要优于Ｔｐｒ挖掘算法。实验结果验证了本算法的高效性，能够快速有效地得到　挖掘结果。参考文献［］ＺａｇＪａｐｉｉＱｉｎ．ＡｎＡｌｏｉｍ　ｆｒＭｉｉｇＳｒｎｌ１ｈｎ　ｉｎｅ，Ｌ　ａｇ　ｇｒｈｔｏｏ　ｎｎ　ｔｇｙｅｔｒ　ＲｌｏａＣｒｌｅ　Ｐｉ　ｉｅａｉｎｌａｌ［］Ｐｏ．ｏ　ｎｅｎｔｎｌｏｒａｄａｓｎｔ／ｉ　ＴｂｅＣ／ｒｃｆＩｔｒａｏａｏｆｒｎｅｏ　ｃｉｅＬａｎｎ　ｎ　ｙｅｔｓＳ１：ＥＥｎｃ］Ｃｎｅｅｃ　ｎＭａｈｎ　ｅｒｉｇａｄＣｂｒｅｉ＿【．．ＩＥｒｓ，０５Ｐｅｓ２０．Ｉ　ｈＳ２Ｃｅｎ　　，ｕＡＷ　．ｎｎ　ｒｑｅｔｔｍｓｔＷｉｕ　ｐｏ［］ｈｕｇＹＬＦ　　ＣＭｉｉｇＦｅｕｎ　ｅｅｓｔｏｔｕｐｒｔ０２．—一一，　ｈｅｈｌ：ｔｈｎｈｔｕ　ｔｅＴｒｓｏｄ　Ｗｉ　ａｄＷｉｏｔＩｍ　Ｃｎｔｉｔ［］ＩＥｏｓａｓ．ＥＥｒｎＪＰ—　　ｌＯ?Ｏ５　００【【ｊｌｌ２０００３００４００５０４Ｋ的数目／＂图４在大豆数据集上估计闶值和最佳曩值的比从上述实验结果可见，本算法在进行关系数据库上的ｏ—ＴｐＫ强相关项目对挖掘时，具有良好的效果，适合在实际　的关系数据库系统中应用。ｒｎａｔｓｏ　ｎｗｌｅａｄＤａａｎｉｅｒ，２０，１（）ｏｄ　ｎ６Ｔａｓｃｉｎ　ｎＫｏｅｇ　ｎ　ｔＥｇｎｅｉｇ０７　９：０２１６．１５—０９　’３Ｌ　ｅ，ｈｎＨｏｇＰｉａｄ只ｔ１Ｆｎｉｇｔ　ａｇｓ　ｅｅｓＳｔ　ｈＮＩ［】ｉｈｎＳｅ　ｎ，ｒｈｒｅａ．ｉｄｎ　ｅＬｒｅｔｔｍｓｔ　ｉｎａ／ｏｔＭｉｉｇＣ］Ｐｏ．ｏ　ｎｅｎｔａ　ｎｅｅｃ　ｏ　ｔａ　Ｄａ　ｎｎ［／ｒｃｆＩｔｒａｉｎｌＣｏｆｒｎｅｎＤａｎｎ．ｏｅａｅｒＢａｉｓ．　８　Ｊｏ：．，９ＭｉｉｇＲｉｄ　ｎｉ，ｒｚｌ［ｎ】１９．４ｚｅｋｖａ　ｆｇａ　ｉ．Ｓ：ｎｎ　ｏ－Ｃｏｅｏｗｅ［］Ｔｖｔｏ　ＹｎＸｉｎ，ＨｎＪａｉＴＰＭｉｉｇＴｐＫ　ｌｓｄｅｕｎｉ　ａｔｎ［／ｒｃｏ　ｎｅａｉａ　ｆｒｎｅｏ　ｔａｅ／ｒｏＣｏａＳｑｅｔｌＰｔｒｓＣ］Ｐｏ．ｆＩｔｎｔｎｌｎｅｅｃ　ｎＤａｎｎ．Ｓ１：ＥＥＰｅｓ２０．］Ｍｉｉｇ【．．ＩＥ　ｒｓ，０３　编辑顾逸斐

文章来源：《世界知识》 网址: http://www.sjzszzs.cn/qikandaodu/2021/0427/468.html