Web信息抽取中的若干關鍵問題研究.pdf

1、近年來，隨著Web應用的快速發(fā)展，互聯(lián)網上的信息資源越來越豐富。在此背景下，Web信息抽取技術應運而生。Web信息抽取是一種從海量的數據中準確獲取用戶所需的事實信息的處理技術，涉及實體識別與抽取、關系抽取、實體消歧、觀點挖掘和傾向性分析等諸多問題，目前已成為Web領域中的研究熱點之一。
　　本文圍繞Web信息抽取領域中的兩類關鍵問題——命名實體消歧和傾向性信息抽取——開展了研究。命名實體消岐旨在消除Web中一個命名實體在指代概念上

2、的歧義，從而確定其正確指代的實體。由于Web環(huán)境中一個命名實體指稱項可以對應多個實體概念，如命名實體指稱項“華盛頓”既可以指代美國總統(tǒng)喬治華盛頓也可以指代首府華盛頓哥倫比亞特區(qū)。因此，命名實體消歧技術在Web問答系統(tǒng)、信息檢索、機器翻譯等應用領域有著重要的應用價值。傾向性信息抽取關注于從海量的非結構化的web數據中挖掘出觀點信息，繼而分析信息發(fā)布者對其發(fā)布信息的情感傾向性。傾向性信息抽取在現代生活中有著諸多的應用，例如，可以幫助企業(yè)準確

3、獲取用戶對產品的評價，以便優(yōu)化營銷策略;可以為政府部門在輿情監(jiān)控、突發(fā)事件處理等提供決策依據。
　　本文針對命名實體消岐和傾向性信息抽取中存在的主要挑戰(zhàn)開展了算法設計、實驗驗證等工作。論文的主要貢獻可總結為如下幾點:
　　(1)提出了一種基于維基百科的命名實體消歧方法，通過實體指稱項識別、候選實體庫構建以及命名實體匹配等過程有效地實現了命名實體消岐。我們在該方法中提出了一種新型的待消歧實體指稱項與候選實體之間的相似度計算方法

4、，并利用維基百科的頁面來挖掘實體之間、實體指稱項與候選實體間的語義關聯(lián)，最后在WISE Challenge2013數據集上驗證了該方法的有效性。
　　(2)提出了一種基于句法依存關系和SVM的情感評價單元識別算法。情感評價單元在一個情感句中表現為情感傾向詞和它修飾的評價對象的搭配，其直接決定情感句的情感傾向性。論文提出的算法首先通過簡單模式匹配抽取所有可能的候選情感評價單元，然后通過SVM模型對候選情感單元集合進行過濾。在分類過程