如今很多现有的数据并不存在于数据库管理系统,它们的数据结构很多是不关联的,有时也是不规则的,例如为HTML或SGML文档,尤其是XML文件,已经逐渐发展成为一个大型的XML数据储存库。本文要研究的知识提取即在这样一个前提条件下,通过特定的工具将HTML转化为XML文档,并对其广泛的词汇表中的可选标签进行研究,结果表明本方法对于重复标签的XML文档的研究尤为有效。对于XML文档之间的相似性度量,可以采取不同的方法,或者研究其文档的结构,内容,或两者都是。文中介绍了如何将模糊理论与这种半结构化并且共享一个共同词汇标签的XML结合起来。这种做法的基本思想是采用与模糊集合相对的另一种形式模糊袋,以衡量比较,评价XML文档之间的结构相似性,然后介绍了对提取的知识如何进行有效的分类。本文首先对相关背景和技术作了一个简单的介绍,随后重点介绍如何应用模糊技术对XML文档进行结构的分析,在此基础之上结合对文档的内容分析产生更精确的分类,提出了一种更为灵活的相似度计算的方法。最后阐述基于所生成的聚类代表研究如何实现本体研究中的两个基本的抽象关系is-a和part-of,之后可以通过选择恰当的本体的描述语言OWL将所提取的类之间的关系和限制进行表述。