数据源中存储了建立数据连接的所有信息,数据请求者通过提供正确的数据源名称来查找相应的数据库连接,以此获取数据库中的数据信息。在网络中,数据源内容主要存储在可受限搜索的在线数据库中,这些数据库根据定向请求动态生成返回结果。因此,人们在网络中获取数据时,基本都是通过向搜索接口发送请求,服务器和在线数据库响应请求来返回相关结果的。通过接口请求而获取到数据信息的工具称之为搜索器,传统的搜索器在对网络进行数据搜索时只能搜索到静态页面的内容,而隐藏在网络接口背后的数据源却很难被搜索到,这就使得那些主题专一、结构良好的数据不能很好地被利用。本文对现有的数据源集成相关方法进行分析,提出了主题相关的数据源发现与分类的方法,主要研究内容包括:(1)提出了一种适用于数据源发现的HEF模型。该模型通过元素标签之间的映射关系来构造表单表示,结合外部知识实现数据源发现。针对元素标签特征提取过程中存在的特征差异性问题,提出了一种基于外部知识的短语主题模型,该模型通过利用预先定义的相关知识来扩展特征。(2)提出了一种适用于数据源分类的Skip-PTM模型。该模型通过挖掘数据源信息的隐含语义来提高数据源分类的准确性。为了提取数据源中潜在的语义特征,本文将原来的使用词向量预测上下文词转变为使用上下文向量来预测上下文词。针对数据源主题变迁问题,本文将数据源信息离散到不同的时间窗口,通过计算各时间窗口中主题分布来挖掘数据源主题的变迁。(3)根据所提出的算法与模型实现了基于主题的数据源智能集成系统。用户可以配置模型参数与个性化训练模型,然后通过选择模型来实现数据源的自动发现与分类。除此之外,该系统可实现智能集成下的自动分析任务,将模型的训练过程、数据源的主题变迁等信息可视化展现。