基于模式匹配的結(jié)構(gòu)化信息抽取研究.pdf

1、半結(jié)構(gòu)化文本是一類面向具體領(lǐng)域的應(yīng)用型文本,具有很強的領(lǐng)域特征。隨著互聯(lián)網(wǎng)技術(shù)的發(fā)展,以Web文檔形式呈現(xiàn)的半結(jié)構(gòu)化文本應(yīng)用越來越廣泛,從半結(jié)構(gòu)化文本中抽取結(jié)構(gòu)化信息具有十分可觀的應(yīng)用前景。
　　現(xiàn)有的Web信息抽取方法一般只能從以Web文檔形式呈現(xiàn)的半結(jié)構(gòu)化文本中抽取出信息元(即粗粒度抽取結(jié)果),而并不能有效地從信息元的信息項中抽取出粒度較小的結(jié)構(gòu)化信息。現(xiàn)有的語義分析方法依托語料庫的支持,能夠取得較為理想的結(jié)構(gòu)化結(jié)果;但是對于

2、開放環(huán)境中的文本,語義分析方法并不能有效獲取結(jié)構(gòu)化信息。
　　文章提出一種基于模式匹配的結(jié)構(gòu)化信息抽取方法,對開放環(huán)境中半結(jié)構(gòu)化文本的粗粒度抽取結(jié)果進行二次抽取,提取出包含一定語義含義的結(jié)構(gòu)化信息。文章主要工作如下:
　　(1)對粗粒度抽取結(jié)果進行領(lǐng)域識別。領(lǐng)域識別的過程實質(zhì)上是一個文本分類的過程,文章采用SVM分類器實現(xiàn)領(lǐng)域識別。以概念替代普通詞語作為特征項構(gòu)建文本向量,并根據(jù)概念權(quán)重優(yōu)化文本向量權(quán)重分配,以達到最佳識別效

3、果。文章引入領(lǐng)域詞庫,根據(jù)領(lǐng)域識別結(jié)果加載相應(yīng)領(lǐng)域詞庫,保證結(jié)構(gòu)化信息抽取階段對詞語做正確的切分。
　　(2)提出一種抽取模式的定義方式,采用XML方式描述模式庫。在傳統(tǒng)模式關(guān)鍵詞和目標(biāo)詞基礎(chǔ)上引入屬性角色,使得各個目標(biāo)詞之間具有一定的語義含義。抽取模式中引入邊界控制機制,提高模式覆蓋準(zhǔn)確度。抽取模式中引入關(guān)鍵詞的同義詞,增強模式的同義擴展能力。
　　(3)采用基于關(guān)鍵詞和詞語詞性的模式匹配方法,實現(xiàn)結(jié)構(gòu)化信息抽取。提出一種