随着互联网的发展和信息技术的快速进步,网络已成为人们获取信息的重要渠道。而在网络环境中,与浅层网络相比,Deep Web中包含的信息数量更多,质量更高且一般是结构化的。但是,Deep Web中的信息并不能被直接访问。所以,研究如何获取并利用Deep Web中的信息就显得十分必要。为了高效地利用Deep Web中的信息,本文提出了一种基于随机森林的数据源发现方法和基于文本特征扩展与提取的数据源分类方法。文章的主要研究内容和取得的成果可总结如下:(1)提出了一种基于随机森林模型的Deep Web数据源发现方法。首先通过分析网页代码及结构,总结得出了一系列网页表单特征。之后,根据这些特征建立随机森林模型用于将Deep Web数据源与其他网页表单区分开,达到发现Deep Web数据源的目的。最后,在UIUC TEL-8数据集上进行了实验,实验结果表明本文提出的方法可以准确地完成数据源的发现。(2)针对Deep Web数据源中由于文本较少导致的特征稀疏问题,提出了一种基于N-gram模型的特征扩展方法。同时,由于在特征扩展过程中可能引入新的噪声,本文利用Word2Vec进行了噪声消除。实验结果表明,特征扩展方法可有效解决包含文本较少的数据源的分类问题,而噪声控制机制的加入也进一步提高了分类的准确性。(3)提出了一种基于注意力机制的Bi-LSTM模型用于数据源的特征提取和分类。Bi-LSTM可以同时获取文本上文和下文的语义信息,十分适合处理文本数据。注意力机制可以为语句中与文本主题更加相关的单词分配更大的权重,令文本的向量表示更加准确。(4)基于本文提出的模型与算法编码实现了 Deep Web数据资源智能挖掘系统。该系统可以实现从网页中自动发现Deep Web数据源并分类,最终建立Deep Web数据源目录。