基于SALmap方法的屬性抽取的研究與實(shí)現(xiàn).pdf

1、隨著計(jì)算機(jī)和互聯(lián)網(wǎng)等新興媒體的迅猛發(fā)展，如何從海量的網(wǎng)頁(yè)文檔中及時(shí)準(zhǔn)確地找到需要的信息已經(jīng)成為一個(gè)亟待解決的問(wèn)題，傳統(tǒng)搜索引擎在性能和用戶體驗(yàn)上受到了較大的挑戰(zhàn)，以互聯(lián)網(wǎng)屬性抽取技術(shù)為核心的研究正是在這樣的背景下發(fā)展起來(lái)的。屬性抽取技術(shù)具有非常廣泛的應(yīng)用。它可以應(yīng)用于信息檢索之后對(duì)相關(guān)的實(shí)體進(jìn)行指定屬性信息的抽取，使信息查找過(guò)程變成信息理解過(guò)程，從而把傳統(tǒng)的信息檢索系統(tǒng)變成智能系統(tǒng)，以用戶更滿意的方式輸出信息。也可以將信息抽取技術(shù)應(yīng)用于

2、數(shù)據(jù)挖掘、自動(dòng)問(wèn)答系統(tǒng)等研究領(lǐng)域，和這些領(lǐng)域相輔相成，共同發(fā)展。
　　本文介紹了基于屬性標(biāo)簽映射的互聯(lián)網(wǎng)實(shí)體屬性抽取的概念、架構(gòu)與關(guān)鍵技術(shù)。針對(duì)某些特定類型的實(shí)體，即產(chǎn)品，從網(wǎng)頁(yè)文本中抽取有價(jià)值的實(shí)體屬性信息，提供給用戶。由于網(wǎng)頁(yè)實(shí)體屬性標(biāo)簽呈現(xiàn)出語(yǔ)義同義性現(xiàn)象，找出屬性和標(biāo)簽之間的映射關(guān)系是研究的重點(diǎn)，本文提出了SALmap方法，利用正則表達(dá)式定義數(shù)據(jù)格式規(guī)則，使用seed方法生成常用候選屬性標(biāo)簽集合，對(duì)標(biāo)簽集合使用最大熵模型構(gòu)

3、建屬性標(biāo)簽映射，同時(shí)，基于得到的屬性標(biāo)簽映射，對(duì)實(shí)體實(shí)例數(shù)據(jù)源區(qū)域進(jìn)行屬性標(biāo)注，最后應(yīng)用隱馬爾可夫模型對(duì)實(shí)體的相關(guān)屬性進(jìn)行抽取。在實(shí)驗(yàn)中，針對(duì)本系統(tǒng)，對(duì)隱馬爾可夫模型的相關(guān)算法進(jìn)行了改進(jìn)，提高了模型的輸入?yún)?shù)精度、學(xué)習(xí)能力和屬性抽取的準(zhǔn)確度。
　　為了評(píng)估互聯(lián)網(wǎng)實(shí)體屬性抽取系統(tǒng)及各部分組件的性能，實(shí)驗(yàn)改進(jìn)過(guò)程中的性能變化，本文在Java、Eclipse的架構(gòu)上，進(jìn)行了基于構(gòu)建屬性標(biāo)簽映射的互聯(lián)網(wǎng)實(shí)體屬性抽取的研究，建立了以屬性標(biāo)簽