L4D——一種有效的互聯(lián)網(wǎng)實(shí)體抽取方法.pdf

1、隨著計(jì)算機(jī)和互聯(lián)網(wǎng)的迅猛發(fā)展，各領(lǐng)域可及的信息量呈指數(shù)級增長，傳統(tǒng)的通用搜索引擎在性能和用戶體驗(yàn)上受到了較大的挑戰(zhàn)。近年來，以互聯(lián)網(wǎng)實(shí)體抽取技術(shù)為核心的，與具體領(lǐng)域相關(guān)的垂直搜索引擎以“一站式服務(wù)”優(yōu)勢吸引了不少的商家和研究機(jī)構(gòu)投資開發(fā)和研究。本文介紹了互聯(lián)網(wǎng)實(shí)體抽取的概念、架構(gòu)與關(guān)鍵技術(shù)，包括網(wǎng)頁文檔集合的獲取、網(wǎng)頁解析與視覺信息計(jì)算、實(shí)體內(nèi)容抽取、實(shí)體屬性標(biāo)記、后處理、分布式并行處理與流水線等技術(shù)。 基于同一個(gè)事物在列表頁面

2、中的實(shí)體抽取效果好于詳細(xì)頁面中的實(shí)體抽取效果的觀察，本文提出了L4D(List forDetail)方法：通過引入實(shí)體級別的線索，提高互聯(lián)網(wǎng)實(shí)體抽取系統(tǒng)處理詳細(xì)實(shí)體頁面時(shí)的性能。設(shè)計(jì)了兩種L4D模型--補(bǔ)償型模型和指導(dǎo)型模型，描述了兩種模型的架構(gòu)和詳細(xì)作用方式，并比較了兩種模型的優(yōu)缺點(diǎn)和適用范圍。 為了衡量互聯(lián)網(wǎng)實(shí)體抽取系統(tǒng)及各組件的性能，比較系統(tǒng)及各組件版本演進(jìn)過程中的性能變化，本文提出了開放域互聯(lián)網(wǎng)信息抽取系統(tǒng)評價(jià)方案，建立