论文部分内容阅读
伴随着Internet的飞速发展,Web上出现了海量的信息资源,如何从这些浩如烟海的信息资源中寻找并获取有价值的信息和知识模式,已经成为信息处理领域的一个亟待解决的问题。本体作为对领域知识的共同理解,能有效地解决现在信息抽取所面对的主要挑战。对于一个领域的特殊应用来说,本体是一个非常有价值的资源,尤其在需要领域知识的情况下。本文首先简述了基于本体的信息抽取技术研究现状,分析了信息抽取系统体系结构,介绍了本体的基本知识,在此基础上,提出了一种基于本体的名实体信息抽取方法。在本方法中,将名实体信息抽取技术和本体结合起来,抽取自由文本、半结构文本中的名实体信息。本文具体的研究内容包括以下三个方面:1.通用本体HowNet与最大熵相结合的名实体信息抽取。在最大熵模型的基础上,利用通用本体HowNet,抽取自由文本中的人名、地名、机构名等名实体信息。本文有两种策略使用HowNet:第一种将HowNet中概念的首义原作为特征加入到最大熵模型,用于提高最大熵模型的泛化性能。第二种利用HowNet提供的概念相似度接口,在不重新训练最大熵模型的情况下,利用概念相似度计算未抽取词语与模型中概念的相似度,以提高抽取效果。2.构建电子产品领域本体。首先介绍了领域本体的基本设计,领域本体有四层,包括有包含关系,概念与实例的关系,属性关系等三种关系。然后收集领域术语,进行文档解析和模式提取,寻找概念间的关系,建立产品树,最后利用最小描述距离算法切分产品树,自动构建领域本体。3.基于领域本体的名实体信息抽取。本文使用了领域本体与改进的正向最大匹配算法,让其能够适应四层的本体库,本文采用的语料是百度知道的网络公共资源,抽取结果与手工抽取的结果对比,取得的实验效果从侧面验证了电子产品领域本体的效果,达到了相应的要求。