Posted on 2005-12-07 16:24
inwind 閱讀(555)
評(píng)論(0) 編輯 收藏 引用 所屬分類(lèi):
數(shù)據(jù)挖掘
信息提取(Information Extraction)的定義是指從一段文本中抽取指定的一類(lèi)信息（例如事件、事實(shí)）、并將其（形成結(jié)構(gòu)化的數(shù)據(jù)）填入一個(gè)數(shù)據(jù)庫(kù)中供用戶查詢使用的過(guò)程。
與其他信息處理技術(shù)的關(guān)系
信息檢索(Information Retrieval) ：只是找出滿足一定檢索條件(query)的整篇文檔或段落，而人們?nèi)匀槐仨氶喿x所找到的每一個(gè)文檔或段落才能獲得所需要的信息。
自動(dòng)文摘、文本理解 ：自動(dòng)文摘和文本理解則沒(méi)有預(yù)先規(guī)定目標(biāo)的特性，需要對(duì)多種多樣的內(nèi)容進(jìn)行分析和處理。
信息提取的方針：識(shí)別實(shí)體，確定關(guān)系
信息提取由簡(jiǎn)到繁：
單個(gè)實(shí)體：找出所有人名；找出所有email；找出所有大學(xué)......
二元關(guān)系實(shí)體：XXX的電話(地址，email)，位于某地的所有公司.....
多元關(guān)系實(shí)體：把所有報(bào)道恐怖活動(dòng)的報(bào)道都找出來(lái)(IR)，并按照事件的地點(diǎn)/時(shí)間/參與者/…分類(lèi)、排序；
信息提取的基礎(chǔ)設(shè)施
詞典、詞切分和詞性標(biāo)注
制作一個(gè)規(guī)模適當(dāng)、分級(jí)合理并可靈活配置的詞典是建造中文信息提取系統(tǒng)的第一步；
適用于中文信息提取的短語(yǔ)句法及語(yǔ)義分析
包括句法成分的識(shí)別與標(biāo)引，關(guān)鍵詞提取，檢索特征集的提取、索引等。
適用于信息提取的句群分析與篇章表示
這些技術(shù)包括表達(dá)句間成分的傳遞，指代、引用信息表的建立和使用，"this指針"（當(dāng)前語(yǔ)義焦點(diǎn)focus）的維護(hù)，以及概念關(guān)系的推理等。