文本型Web内容(Textual Web Content,TWC)包含电子邮件、网页新闻等。以TWC文档中实体关联为基础,可完成数据获取、关系强度评估、社交网络分析等任务。隐含实体关联(Latent Entity Association,LEA)表示两个实体通过不同TWC文档中的中间实体间接地产生关联。发现并利用LEA有利于改善基于实体关联的分析方法的结果,但需要解决这些问题。(1)理论角度:TWC数据中实体关联的建模、实体关联的评估及排序。LEA是不确定的,需要对这种不确定性知识进行表示和推理。并非所有的LEA都对后续的任务有价值,因此需要对LEA按强度进行排序。(2)应用角度:TWC数据的获取、交互式系统。通过获取互联网中最新的TWC文档而分析得出的LEA将具有更好的时效性。交互式系统应支持由用户自定义TWC数据和目标实体,并将分析过程的各步骤可视化结果展示给用户。从理论的角度,本文重点研究了 TWC数据中实体关联的建模和实体关联的评估及排序,分为三方面:(1)本文给出了LEA的定义并提出了实体关联贝叶斯网(Entity Association Bayesian Network,EABN)以对LEA的不确定性进行建模。EABN模型将实体视作变量,使用有向无环图表达实体间的相互依赖,使用条件概率表则量化实体间的相互依赖。(2)本文提出了 SBIC策略以加速EABN的结构学习。在EABN的结构选择过程中,自组织映射可利用TWC中实体的稀疏性将一个TWC数据集划分为若干个子集,我们不断地选择某个子集来评估候选结构中的某条边。(3)本文提出的EABN模型可通过概率推理按强度排序LEA。通过EABN概率推理产生的实体关联列表中大部分是LEA,每个实体关联涉及的两个实体在随机子集中的实例数比值的标准差随着EABN排名增大而增大;通过EABN概率推理也可以找出没有出现在新TWC数据中,但与新TWC数据相关的实体。从应用的角度,本文设计并实现了 TWC数据的获取系统和交互式系统:(1)本文开发了一个网络爬虫以获取互联网中最新的TWC文档。该网络爬虫通过搜索引擎的自定义查询获取历史网页网址列表;使用PhantomJS执行复杂地页面渲染;爬虫获取的数据存储在MongoDB数据库。(2)本文开发的交互式系统支持自定义以TWC文档和目标实体、分析结果可视化和持久化,以及跨平台、跨终端等特性。