随着互联网技术的飞速发展,Web上的网站和网页数量以爆炸性的趋势增长,从而使Web成为一个巨大的、分布广泛的数据源。有效地获取和集成Web数据,为进一步的分析和挖掘提供支持,具有十分重要的应用价值和现实意义。面对Web上海量的异构数据,Web数据集成技术成为研究热点。Web数据集成可以实现对Web数据的有效整合,为市场情报分析等应用提供支持。Web数据抽取是Web数据集成中的关键问题,对Web页面中广泛存在的半结构化数据进行有效地抽取,是实现Web数据集成的基础和保证。从Web页面中准确地抽取半结构化数据已经成为当前的热点研究问题之一,但由于Web上数据具有海量、异构、动态变化和联系丰富等特点,导致Web数据抽取研究中仍然存在以下问题有待解决。(1)Web上广泛存在的半结构化数据的模式会动态变化,需要有效地获取Web实体的模式信息,为Web数据抽取和集成提供指导；(2)需要准确地抽取目标数据,并进行语义理解,为进一步整合Web数据奠定基础；(3)Web数据间具有丰富的联系,需要有效地建立新发现Web实体与Web实体模型中已有Web实体之间的联系,为进一步整合Web数据奠定基础。本论文以Web数据集成为目标,针对Web数据抽取中存在的以上问题展开研究,本论文的贡献主要包括以下四个方面：(1)针对Web上广泛存在的半结构化数据的模式动态变化的特点,提出一种Web实体模式的动态构建方法,实现对Web实体模式信息的逐步丰富。本文提出一种动态构建Web实体模式的方法,有效地克服了现有方法无法随着Web页面中半结构化数据的模式的变化而逐步丰富Web实体模式的不足。本文提出的方法,充分利用Web数据集成系统中已存在的数据,辅助识别出目标页面中的新属性标签,并利用条件随机场模型实现对Web实体模式信息的动态丰富。实验结果表明,该方法在动态丰富Web实体模式的同时,也有效地解决了Web实体模式与目标网页中Web数据对象的属性标签间的模式匹配问题。(2)针对Web数据集成系统中已存在大量数据的特点,提出一种基于集成学习的Web数据抽取方法,有效地提高目标数据的抽取准确度。本文提出一种基于集成学习的Web数据抽取方法,充分利用目标网站采样页面自身包含的特征以及Web数据集成系统中已存在的大量数据中包含的潜在特征,识别出采样页面中的数据元素和属性标签,生成良好的训练样例,进而学习生成包装器,从目标网页中抽取数据。实验结果表明,该方法有效地克服了现有大部分方法仅利用目标页面自身特征识别数据元素和属性标签,导致对于结构复杂的Web页面产生的训练样例质量不高,严重影响包装器抽取准确度的不足,提高目标数据的抽取准确度。(3)针对Web数据元素间具有的二维序列特征和关联特征特点,提出一种基于二维关联边条件随机场的Web数据语义标注方法,有效地提高Web数据语义标注的准确率。本文提出一种新的二维关联边条件随机场模型(2DCC-CRFs),有效地克服了现有的大部分条件随机场模型仅能对Web数据元素间的短距离依赖联系进行处理的不足,充分利用Web数据元素间的长距离依赖联系和短距离依赖联系,提高语义标注的准确率。该方法首先利用已有数据库的结构化信息及记录特征辅助确定部分数据元素的语义标签,发现潜在的具有长距离依赖联系的数据元素；然后,产生两种类型的关联边,描述潜在的长距离依赖联系；最后,通过在已有经典模型(2DCRFs)的基础上添加关联边,建立二维关联边条件随机场模型,使其在对Web数据元素间短距离依赖联系建模的同时,有效地对Web数据元素间的长距离依赖联系进行建模和处理。实验结果表明,该方法可以有效地提高Web数据语义标注的准确率,为进一步整合Web数据奠定基础。(4)针对Web数据间具有丰富联系的特点,提出一种利用已抽取Web数据对象间的联系发现新Web实体与Web实体模型中已有Web实体间联系的方法,有效地丰富Web实体模型。本文针对新发现Web实体与Web实体模型中已有Web实体间的联系发现问题,提出一种基于多策略的Web实体间联系发现方法,有效地弥补了现有的关系发现研究大多集中于命名实体间的关系发现,缺乏对Web实体模型中Web实体间联系自动发现的研究的不足。该方法首先利用已抽取的Web数据对象间的联系发现新Web实体与Web实体模型中已有Web实体间的候选联系；然后,对候选联系进行评价；最后,将符合条件的候选联系返回给业务专家,确定最终的Web实体间的联系。实验结果表明,本文提出的方法可以有效地解决新发现Web实体与Web实体模型中已有Web实体间的联系发现问题,丰富Web实体模型,为进一步整合Web数据奠定基础。