摘  要： 提出了一種基于Dirichlet過(guò)程的Deep Web數(shù)據(jù)源聚類方法,，該方法采用層次Dirichlet過(guò)程（HDP）進(jìn)行特征提取。首先將查詢接口中原本高維稀疏的文本表示為主題特征,，該過(guò)程能自動(dòng)確定特征數(shù),。然后將文本看成多項(xiàng)式模型，采用Dirichlet過(guò)程混合模型聚類,。該模型無(wú)需人工事先指定聚類個(gè)數(shù),，由Dirichlet過(guò)程根據(jù)數(shù)據(jù)自動(dòng)計(jì)算得到，特別適用于Deep Web數(shù)據(jù)源數(shù)量大,、變化快的特點(diǎn),。在通用數(shù)據(jù)集TEL-8上進(jìn)行驗(yàn)證實(shí)驗(yàn)，并與其他聚類方法在F-measure和熵值兩個(gè)指標(biāo)上進(jìn)行對(duì)比，均取得較好的結(jié)果,。

　　關(guān)鍵詞： Deep Web,；數(shù)據(jù)集成；特征提??；dirichlet過(guò)程；混合模型

0 引言

　　萬(wàn)維網(wǎng)中不能被傳統(tǒng)搜索引擎通過(guò)靜態(tài)鏈接索引到的內(nèi)容稱為Deep Web,。要獲取這部分內(nèi)容只能通過(guò)表單提交查詢的方式獲得[1-2],。Deep Web數(shù)據(jù)源的分類是指把所有發(fā)現(xiàn)的數(shù)據(jù)源按照領(lǐng)域進(jìn)行劃分，是Deep Web數(shù)據(jù)源集成的關(guān)鍵步驟之一[3],。目前Deep Web數(shù)據(jù)源分類,，多數(shù)研究采用的是有監(jiān)督的分類方法。而一個(gè)標(biāo)注好的數(shù)據(jù)集,，需要大量的人工知識(shí),，并且隨著萬(wàn)維網(wǎng)的快速發(fā)展，訓(xùn)練集要考慮更新與擴(kuò)展,。這些對(duì)于自動(dòng)化的數(shù)據(jù)集成都是很大的阻礙,。在最新的Deep Web研究進(jìn)展與綜述中[4]，也明確指出結(jié)合機(jī)器學(xué)習(xí),，數(shù)據(jù)挖掘等領(lǐng)域的無(wú)監(jiān)督的研究方法是今后的研究重點(diǎn),。

　　目前也有一部分研究人員關(guān)注聚類方法的研究。B.He[5]提出了MDhac方法,，將表單屬性看做分類數(shù)據(jù)（categorical data）,，采用基于模型的聚類，用卡方檢驗(yàn)來(lái)作為距離函數(shù),，進(jìn)行聚類,。L.Barbosa[6]等人提出了基于表單內(nèi)容和表單頁(yè)面上下文的K-Means聚類方法。Zhao Pengpeng[7]等人提出基于圖模型的聚類方法,，算出數(shù)據(jù)源兩兩間的權(quán)值并連接成有權(quán)圖,，然后進(jìn)行劃分聚類。Xu Guangyue[8]等人提出了先聚類后分類的方法,。先用LDA模型進(jìn)行主題劃分,，用主題數(shù)代表聚類數(shù)目，將達(dá)到聚類精度的數(shù)據(jù)作為訓(xùn)練集,，訓(xùn)練出分類模型,，對(duì)前一步中聚類效果不好的數(shù)據(jù)進(jìn)行后分類。

　　通過(guò)對(duì)國(guó)內(nèi)外相關(guān)文獻(xiàn)的閱讀與研究,，在了解目前的主要方法后發(fā)現(xiàn),，目前在Deep Web數(shù)據(jù)源特征提取和聚類數(shù)目的自動(dòng)化確定方面還未有研究工作,。正如前面提到的這些方法，都需要事先設(shè)定聚類個(gè)數(shù)或者特征個(gè)數(shù),。而在實(shí)際應(yīng)用中聚類數(shù)目往往并不能事先知道,，并會(huì)隨著數(shù)據(jù)的增多而不斷變化。

　　Dirichlet過(guò)程[9]（Dirichlet Process）則是一種具有代表性的非參數(shù)貝葉斯模型,，基于Dirichlet過(guò)程的方法可以自動(dòng)地學(xué)習(xí)特征數(shù)目和聚類個(gè)數(shù),。結(jié)合Deep Web數(shù)據(jù)源分類問(wèn)題自身的需求與Dirichlet過(guò)程的特點(diǎn)，提出了基于Dirichlet過(guò)程的Deep Web數(shù)據(jù)源聚類方法,。

1 聚類策略及相關(guān)步驟

　　Deep Web數(shù)據(jù)源聚類分為表單特征抽取,、特征提取、聚類和結(jié)果評(píng)估四個(gè)主要步驟,，如圖1所示,。

　　1.1 表單特征抽取

　　從形式上來(lái)說(shuō)，Deep Web查詢接口均以表單的形式出現(xiàn)在頁(yè)面中,，因此利用表單的特征作為Deep Web分類的判斷依據(jù)是一種合理的解決方式,。這也是目前多數(shù)研究人員采用的Pre-query[10]方式。觀察互聯(lián)網(wǎng)上的各種表單,，一個(gè)查詢接口中包含了豐富的語(yǔ)義信息,，其主要的表現(xiàn)形式為文本信息[11]。以下為一個(gè)圖書查詢接口表單信息,。

　　<from>

　　<attrgroup>

　　<attr name="Author"ename="author">

　　<domain format="text_box">

　　</domain>

　　</attr>

　　<attr name="Title"ename="title">

　　<domain format="text_box">

　　</domain>

　　</attr>

　　<attr name="Keyword"ename="keyword">

　　<domain format="text_box">

　　</domain>

　　</attr>

　　<attr name="ISBN"ename="isbn">

　　<domain format="text_box">

　　</domain>

　　</attr>

　　</attrgroup>

　　</form>

　　從以上代碼可以看到,，每個(gè)控件的name屬性包含了該接口所屬領(lǐng)域的絕大多數(shù)關(guān)鍵字，比如在圖書領(lǐng)域,，“ISBN”,、“Title”、“Author”等詞都能很好地表達(dá)其所屬的類別,。對(duì)通用實(shí)驗(yàn)數(shù)據(jù)集TEL-8進(jìn)行統(tǒng)計(jì)分析后發(fā)現(xiàn),，在數(shù)據(jù)集中共472個(gè)查詢接口，含有name屬性的接口共463個(gè),，覆蓋率達(dá)到98.1%,。每個(gè)類別的情況如表1所示。

　　提取出name屬性的值作為查詢接口的表示文本,，則可以將Deep Web數(shù)據(jù)源聚類問(wèn)題轉(zhuǎn)化為文本聚類問(wèn)題進(jìn)行研究,。這些抽取出來(lái)的文本中含有噪聲，對(duì)其進(jìn)行去停用詞和詞干提?。úㄌ卦~干器Porter Stemmer）,，可以提高聚類的效率和效果,。

　　1.2 特征提取

　　概率主題模型假設(shè)文檔由服從某種概率分布的主題組成,，而每個(gè)主題則由服從某種概率分布的單詞組成,。Deep Web數(shù)據(jù)源也符合這種假設(shè)。Deep Web數(shù)據(jù)源由一些潛在的主題構(gòu)成,，比如“書籍”,、“音樂”、“車輛”,、“機(jī)票”等,，這些潛在的主題又分別由主題內(nèi)的詞構(gòu)成。每個(gè)詞按照一定的概率屬于某個(gè)主題內(nèi),，比如“輪胎”,、“引擎”等詞就會(huì)以較高的概率屬于“車輛”這一主題。

　　將查詢接口進(jìn)行特征抽取并處理為文本后,，若直接應(yīng)用向量空間模型將文本表示為向量,，將造成特征向量高維稀疏的問(wèn)題，影響聚類的效率與效果,?？紤]到以上對(duì)應(yīng)關(guān)系，本文采用層次Dirichlet過(guò)程（HDP）進(jìn)行特征提取,。

　　與LDA模型一樣,，HDP也屬于概率主題模型的范疇。不同的是LDA是參數(shù)貝葉斯模型,，主題數(shù)目需要事先設(shè)定,；而HDP屬于非參數(shù)貝葉斯模型，不需要事先設(shè)定主題數(shù)目,。主題數(shù)目將作為參數(shù)之一由模型根據(jù)具體的數(shù)據(jù)學(xué)習(xí)得到,。

　　HDP模型[12]如圖2所示。其中H為基分布,，γ和α0為集中度參數(shù),。首先，以基分布H和集中度參數(shù)γ構(gòu)成Dirichlet過(guò)程,，產(chǎn)生全局分布G0,。這就使得各個(gè)文檔的主題可以共享。然后,，再以G0為基分布,，以α0為集中度參數(shù)，分別為文檔集中的每一個(gè)文檔構(gòu)造Dirichlet過(guò)程,。這個(gè)過(guò)程產(chǎn)生的Gj將作為θji的分布,，然后從中抽取хji作為文檔中每個(gè)特征的類別。本文采用HDP模型可以將查詢接口抽取出來(lái)的文本表示為主題特征,，為下一步的聚類做好準(zhǔn)備,。

　　整個(gè)生成過(guò)程如式（1）~式（4）：

　　1.3 聚類模型

　　特征提取后,，采用Dirichlet過(guò)程混合模型進(jìn)行聚類。用X={x1,，x2,，…，xn}表示Deep Web數(shù)據(jù)源,，N表示數(shù)據(jù)源中包含的樣本個(gè)數(shù),，xi={xi1，xi2,，…,，xin}表示第i個(gè)數(shù)據(jù)源，xij表示第i個(gè)數(shù)據(jù)源的第j個(gè)特征值,?；谀Ｐ偷木垲愃枷胝J(rèn)為，X由K個(gè)模型混合而成,，每個(gè)模型的混合系數(shù)由πk表示,，即πk表示每個(gè)模型占的比重，并滿足πk≥0,，k={1,，2，…,，K},，且。有限混合模型和無(wú)限混合模型的區(qū)別在于,，K是否事先已知,。有限混合模型的K需要事先指定并且固定不變，而無(wú)限混合模型則把K作為模型參數(shù),，根據(jù)數(shù)據(jù)學(xué)習(xí)得到,。本文建立Dirichlet過(guò)程混合模型如式（5）所示：

　　其中，取多項(xiàng)式分布,，則該模型中的未知參數(shù)θ={π1,，π2，…,，πk,；θ1，θ2,，…,，θK；K}，其服從Dirichlet過(guò)程DP（α,，G0）,。最后采用Gibbs采樣對(duì)模型中未知參數(shù)θ進(jìn)行求解，找出K值及其對(duì)應(yīng)的混合系數(shù)πk,，以及各個(gè)多項(xiàng)式分布中的未知參數(shù)θi，達(dá)到聚類目的,。

2 實(shí)驗(yàn)結(jié)果與分析

　　2.1 實(shí)驗(yàn)設(shè)置

　　實(shí)驗(yàn)中使用了Deep Web數(shù)據(jù)源分類的通用數(shù)據(jù)集TEL-8進(jìn)行試驗(yàn),。實(shí)驗(yàn)數(shù)據(jù)集總共包含472個(gè)Deep Web數(shù)據(jù)源查詢接口，取其中含有name屬性的查詢接口,，共463個(gè),。在進(jìn)行表單特征抽取和數(shù)據(jù)預(yù)處理后，去除含有單詞數(shù)少于3個(gè)的簡(jiǎn)單接口（共34個(gè)）,，最終得到429個(gè)查詢接口,，覆蓋了機(jī)票、汽車,、書籍,、租車、酒店,、工作,、電影和音樂共8個(gè)領(lǐng)域。

　　本文采用在文本聚類領(lǐng)域常用的F-measure和熵值兩種指標(biāo)來(lái)評(píng)價(jià)本文聚類方法的效果,。同時(shí)與同樣使用TEL-8數(shù)據(jù)集的其他三種聚類方法進(jìn)行比較,，分別是B.He提出的MDhac方法、Zhao Pengpeng等人提出的FGC方法以及Xu Guangyue等人提出的基于LDA的先聚類后分類的方法,，為下文方便對(duì)比,，將該方法簡(jiǎn)稱XU。

　　2.2 結(jié)果及分析

　　2.2.1 特征提取

　　建立HDP模型進(jìn)行特征提取,，經(jīng)過(guò)100次Gibbs采樣,，估計(jì)出特征數(shù)，并將查詢接口中的name屬性詞表示為對(duì)應(yīng)的特征,，達(dá)到降維的目的,。特征數(shù)目隨迭代次數(shù)變化的過(guò)程如圖3所示。從圖中可見,，特征數(shù)目穩(wěn)定在15左右,，在迭代30次左右時(shí)達(dá)到穩(wěn)定。經(jīng)過(guò)特征提取后,，特征值（接口中出現(xiàn)的不重復(fù)單詞數(shù)）由原本的847降到15,。

　　2.2.2 聚類結(jié)果比較

　　聚類結(jié)果得到9個(gè)Cluster，分別與8個(gè)領(lǐng)域的對(duì)應(yīng)關(guān)系如表2所示,。理想的聚類情況應(yīng)該得到8個(gè)Cluster,，但是由于本文聚類方法并沒有事先指定聚類數(shù)目,，所以存在較小的誤差。認(rèn)真觀察第九個(gè)Cluster可以發(fā)現(xiàn),，在其中的接口數(shù)很少,，只占總接口數(shù)的2%，明顯少于前8個(gè)Cluster,?？紤]到本文方法的完全無(wú)監(jiān)督的特性，認(rèn)為該誤差在可以接受的范圍內(nèi),。

　　對(duì)上面的聚類結(jié)果應(yīng)用F-measure和熵值（Entropy）兩種指標(biāo)進(jìn)行檢驗(yàn),，并與其他使用相同數(shù)據(jù)集的方法進(jìn)行比較，比較結(jié)果如表3,、表4所示（注：由于MDhac方法的原文中并沒有提供F-measure值,，故表3中用“\”表示，同理對(duì)XU的Entropy值也用“\”表示）,。

　　實(shí)驗(yàn)結(jié)果顯示,，本文方法在F-measure上取得的聚類均值優(yōu)于FGC和XU兩種方法，原因在于本文實(shí)驗(yàn)結(jié)果在8個(gè)領(lǐng)域上的F-measure值較為平均,，沒有小于0.8的情況,。而在熵值這一評(píng)價(jià)指標(biāo)上，F(xiàn)GC方法效果最佳,。本文方法在電影,、汽車和書籍三個(gè)領(lǐng)域上的熵值最優(yōu)，但是由于在音樂和酒店兩個(gè)領(lǐng)域的熵值過(guò)大,，而使得平均值不理想,。結(jié)合表2分析可以看到，原本屬于酒店領(lǐng)域的接口比較容易被錯(cuò)誤分到機(jī)票領(lǐng)域,，而音樂和電影領(lǐng)域也存在類似情況,。同時(shí)，分析第九個(gè)Cluster可以看到,，這個(gè)導(dǎo)致誤差的小聚類中,，主要是來(lái)自音樂和電影類的接口，其原因主要在于酒店和機(jī)票領(lǐng)域,，以及電影和音樂領(lǐng)域本來(lái)就存在一定的相似性,。考慮其接口屬性,，以酒店領(lǐng)域和機(jī)票領(lǐng)域?yàn)槔?，它們基本上都?huì)包含日期、地點(diǎn)、價(jià)格等關(guān)鍵詞,，在提取主題特征時(shí)容易將其視為同一特征,。

3 結(jié)束語(yǔ)

　　Deep Web數(shù)據(jù)源分類是大規(guī)模Deep Web數(shù)據(jù)源集成的關(guān)鍵問(wèn)題之一。結(jié)合Deep Web數(shù)據(jù)源分類問(wèn)題自身的需求與Dirichlet過(guò)程的特點(diǎn),，本文提出了一種基于Dirichlet過(guò)程的Deep Web數(shù)據(jù)源聚類方法,。實(shí)驗(yàn)表明，本文提出的方法可以有效實(shí)現(xiàn)Deep Web數(shù)據(jù)源聚類,，并使整個(gè)聚類過(guò)程不需要人工干預(yù),，但是在聚類效果上，比如如何有效區(qū)分比較相似的領(lǐng)域,，使得聚類結(jié)果更精確，還需要進(jìn)一步探究,。

參考文獻(xiàn)

　　[1] BERGMAN M K. The deep web： surfacing hidden value[J]. The Journal of Electronic Publishing,，2001，7（1）：8912-8914.

　　[2] 王成良,，桑銀邦.Deep Web集成系統(tǒng)中同類主題數(shù)據(jù)源選擇方法[J].計(jì)算機(jī)應(yīng)用研究,，2011，28（9）：3364-3367.

　　[3] EL-GAMIL B R,， WINIWARTER W,， BO?譕IC B， et al. Deep web integrated systems： current achievements and open issues[C]. Proceedings of the 13th International Conference on Information Integration and Web-based Applications and Services. ACM,， 2011：447-450.

　　[4] NAYAK R,， SENELLART P， SUCHANEK F M,， et al. Discovering interesting information with advances in Web technology[J]. ACM SIGKDD Explorations Newsletter,， 2013， 14（2）： 63-81.

　　[5] HE B,， TAO T,， CHANG K C C. Organizing structured web sources by query schemas： a clustering approach[C]. Proceedings of the Thirteenth ACM International Conference on Information and Knowledge Management，ACM,，2004：22-31.

　　[6] BARBOSA L,， FREIRE J， SILVA A. Organizing hidden-web databases by clustering visible web documents[C]. IEEE 23rd International Conference on Data Engineering. IEEE,， 2007： 326-335.

　　[7] Zhao Pengpeng,， Huang Li， Fang Wei,， et al. Organizing structured deep web by clustering query interfaces link graph[M]. Berlin： Springer,， 2008：683-690.

　　[8] Xu Guangyue， Zheng Weimin， Wu Haiping,， et al. Combining topic models and string kernel for deep web categorization[C]. Fuzzy Systems and Knowledge Discovery （FSKD）,， 2010 Seventh International Conference on. IEEE， 2010：2791-2795.

　　[9] ISHWARAN H,， JAMES L F. Gibbs sampling methods for stick-breaking priors [J]. Journal of the American Statistical Association,， 2001，96（453）：161-173.

　　[10] MORAES M C,， HEUSER C A,， MOREIRA V P， et al. Prequery discovery of domain-specific query forms： a survey[J]. Knowledge and Data Engineering,， IEEE Transactions on,， 2013，25（8）：1830-1848.

　　[11] 祝官文,，王念濱,，王紅濱.基于主題和表單屬性的深層網(wǎng)絡(luò)數(shù)據(jù)源分類方法[J].電子學(xué)報(bào)，2013,，41（2）：260-266.

　　[12] TEH Y W,， JORDAN M I， BEAL M J,， et al. Hierarchical dirichlet processes [J]. Journal of the American Statistical Association,， 2006，101（476）：1566-1581.