Web中文信息抽取(1)

原创 2006年05月26日 10:47:00

        昨天正式上交开题报告,确定题目是“Web中文信息抽取技术研究与实现”。初步确定采用自然语言理解的方式来做,It's time to do somthing realistic now:

  • 假设自己构建的蜘蛛程序能够抓取指定招聘网站的相关页面,还要假设html parser 能够完全过滤html标记(这里有个疑问,我注意到不少招聘网站的结构计较简单,已经比较接近结构化文本,所以很有必要利用其中的一些html标记来进行抽取)。
  • 待网页内容已经完全转化成纯文本后,就要做分词和命名实体识别了,这时候是把中科院的ICTCLAS系统拿来用还是用微软研究院的MSRSeg还需要斟酌(这里要识别的命名实体主要是 地名 机构名 职业名 时间 联系方式等)
  • 待命名实体识别出来后紧接着就是关系抽取,其实这里关系抽取没有很大必要了,试想:一个页面里找到了地名 机构名 职业名 时间 联系方式后就确定是: 地名<->机构名是(LOC-OF关系) ; 机构名<->职业名(EMPLOY-OF关系).可以直接存入数据库以供客户查询。

        经过以上分析可以得出,该信息抽取系统的表现主要取决于命名实体识别阶段的准确度,所以目前需要主攻的是命名实体识别,可以改进ICTCLAS或者按照MSRSeg的资料来重写。而不是研究如何使用SVM来进行关系抽取!

定个目标:用两个月的时间来完成一个效果比较好的命名实体识别模块! 加油!!!

 

 

 

相关文章推荐

基于Gate的ANNIE插件的中文信息抽取

在上一篇文章《基于Gate的中文信息抽取API调用方式--未成功》中本来想采用Gate中的中文插件进行命名实体识别,但是没有成功,最后只能通过扩展Gate中的ANNIE插件来实现了。        A...

基于Gate的中文信息抽取API调用方式--未成功

学习Gate快一周了,一直在看官方的英文文档,却一直收获不到,想在自己的程序中通过API的方式实现调用Gate完成信息抽取。Gate中的ANNIE可以实现英文的命名实体识别,但是却不支持中文,后来发现...

【Query处理学习笔记】搜索引擎查询推荐技术综述_中文信息学报2010_王斌

主要内容:对通用搜索引擎的查询推荐技术的方法、评价进行了总结 具体内容: “查询推荐”的不同英文叫法:Query Suggestion、Term Suggestion、Query ...

javaweb-day06-4&5&6 (Servlet-Request-方法、表单获取客户端中文信息、URL编码、Request容器和请求转发、RequestDispatcher.include()

HttpServletRequest对象代表客户端的请求,当客户端通过HTTP协议访问服务器时,HTTP请求头中的所有信息都封装在这个对象中,开发人员通过这个对象的方法,可以获得客户这些信息。 ...

奥运奖牌中文信息系统

奥运奖牌中文信息系统

《中文信息学报》佳文共赏∣ 袁毓林 李强:怎样用物性结构知识解决“网球问题”?(上)

文章导读 “网球问题”指怎样把racquet(网球拍)、ball(网球)和net(球网)之类具有情境联想关系的词汇概念联系起来、发现它们之间的语义和推理关系。这是一个自然语言处理和相关的语言知识...
  • AMDS123
  • AMDS123
  • 2017年04月13日 17:10
  • 6402

cmd控制台插入mysql数据库中文信息时,插入失败的解决办法

mysql数据库在插入英文时没问题,但是在插入中文信息时往往会失败,此时的问题就是程序不同模块间的中文编码格式不一致所致,而支持中文的编码格式有三种,分别是utf-8,gbk,gb2312三种,在编程...

STL &amp; Boost 相关中文信息收集(持续更新中)

STL & Boost 相关中文站点信息 STL中文站 STLChina.org STLChina.org 的 Boost 中文站 Boost 安装文档 ...

服务器后端servlet中文信息返回,使用response乱码的问题及setCharacterEncoding()与setContentType()区别

遇见了使用servlet时候输出页面“中文”信息的时候,显示总是??????,或者是中文乱码。我感到难过。查询到解决方案贴下。 首先不论是使用reponse.setCharacterEnco...
内容举报
返回顶部
收藏助手
不良信息举报
您举报文章:Web中文信息抽取(1)
举报原因:
原因补充:

(最多只允许输入30个字)