استخراج داده از وب بر مبنای آنتولوژی

توسعه و رشد وب معنايي مشوق اصلي توليد آنتولوژي در دامنه هاي متفاوت مي-باشد. توليد آنتولوژي معمولا وقت گير، خسته كننده، خطادار و وابسته به دانش مهندس دامنه است. يكي از مشكلات اصلي در اين زمينه،‌ دسترسي به مجموعه واژگان معتبر و كامل براي توليد آنتولوژي است. در ‌اين‌ تحقيق‌ با ‌استفاده‌ ‌از يك روش نمونه برداري صفحات اوليه در مقياس بزرگ و استفاده از الگوريتم¬هاي پردازش زبان طبيعي، تحليل¬هاي آماري و تکنيک¬هاي بازيابي اطلاعات، يك روش اتوماتيك براي توليد شبه-آنتولوژي براي دامنه پژوهش در علوم كامپيوتر پيشنهاد شده است. هدف اصلي ما تهيه اتوماتيك مجموعه بزرگي از واژگان و مفاهيم اصلي دامنه است كه كار توليد آنتولوژي را سريع¬تر و راحت¬تر كند. بدين منظور صفحات‌ مرتبط در اين دامنه با استفاده از يک‌ خزشگر تاکيدي‌ مبتنی بر واژگان مورد استفاده قرار گرفته و با استفاده از تكنيكهاي مذكور ليست كاملي از واژگان دامنه استخراج شده است. برای استفاده مجدد اين روش در دامنه¬هاي ديگر، فرآيند ساخت آنتولوژی نيز تا حدودي مستقل از دامنه پياده¬ سازي شده است.