《Using OpenRefine》翻译~16

上一篇：《Using OpenRefine》翻译~15

•点5-抽取单名称项

解析服务在你的数据集中只包含单个条目时工作良好，比如人名、国家或者工种。但是，如果你的列内容包含的是一小段文字时解析往往不奏效，因为其只能在数据库中搜索单个条目。幸运的是，另一种技术named-entity extraction（抽取单名称项）可以用的上。抽取算法会对包含多个单元素（比如人名，地址，值，组织或其他一般的东西）的文本进行搜索，其不光能够抽取单项，很多算法还能够进行歧义甄别。举个例子，如果算法在文本中发现了Washington，其会尝试识别这个究竟是城市还是人名，这样就避免了必须对每个单独抽出项才能进行解析的情况发生。

OpenRefine本身并不支持抽取单名称项，但是我们可以增加抽取单名称项扩展包。在继续学习前，请先到 http://software.freeyourmetadata.org/ner-extension/下载安装，如果安装成功，那么我们将在屏幕右侧顶部看到Named-entity recognition按钮。

本小点学习中，你需要保证数据集中categories列未被分割，因为抽取单名称项会在发现记录为多内容时创建多行。如果你已经分割成多行的话会导致混乱。

查看Powerhouse Museum数据集，我们发现Descriptions列是进行抽取单名称项尝试的很好的样本，因为其包含多内容文本。如果我们想把这些内容与数据库互联，那么我们首先需要进行抽取工作。点击Descriptions列下拉菜单选择Extract named entities…对话框如下：

扩展包并不包含抽取单名称项算法，而是使用在线服务代替，就好像解析功能一样。你可以选择喜欢的解析服务。但是和解析服务不同的是，解析服务都是开放的，但是某些抽取单名称项服务却需要注册，但还是免费的，某些服务还提供中级账号，这样能够提供更多的好处，比如更快的抽取或者不限抽取数量。

DBpedia Spotlight服务不需要注册，所以能够直接使用，勾选此选项然后点击Start extraction。OpenRefine就会开始抽取进程，这需要一些时间。因此，就像我们以前介绍的一样，先对一个子集进行抽取实验会比较明智。如果你同时勾选了多个抽取服务，那么抽取速度也就和其中最慢的服务速度一样。

当抽取单名称项进程结束后，你可以看到OpenRefine 在Description列旁边创建了一个新列：DBpedia Spotlight.

在新列中，我们看到了已抽取出的项，如果是多内容单元格，则会分割成多行，你可以在行模式和记录模型之间切换。上图显示DBpedia Spotlight列中，记录162中发现了2条,记录173没有项被发现,记录184发现1项.你可以看到这些项显示为蓝色，这表明这些是链接。举个例子，如果你点击Leeds Town Hall,你就会打开相关资源的链接，这就是数据相互链接起来了，原来人类才能理解的内容现在可以被机器所理解了。

但是，你会发现有些单元格没有相关链接内容。让我们看看其他抽取服务是不是有效。这里，我们需要为这个服务添加账号。点击屏幕顶部右侧按钮Named-entityrecognition ，选择Configure API keys…. 会打开如下服务配置对话框：

举个例子，如果你想使用Zemanta来进行抽取单名称项，在对应字段中增加Application programming interface (API) ，如果你没有API，则点击configuration instructions，这会打开Zemanta的API注册页面。所有的服务都有一个免费选项，所以你可以注册然后对数据进行尝试，而不需要付费。某些服务还有额外的配置选项，可以按照配置指导进行配置。

当你完成配置，对Description列再次尝试抽取单名称项后，你可以同时选择多个服务项了。每个服务会创建一个独立的列，所以你会得到两列：Zemanta 和AlchemyAPI，每一列都会有抽取项。所以多尝试下吧。

 

 

小结

本章中，我们学习了如何使互相孤立的数据集建立联系。一方面，你可以对单内容字段进行解析，这样可以使得这些单元格与URL对应，并且能够在线查询详细信息。你也可以使用内置的Freebase解析或者安装RDF扩展包 来实现对链接数据的解析。另一方面，你也可以使用扩展包进行抽取单名称项，这可以使OpenRefine对单元格内的内容进行查询，并且找到每个内容小项的URL。最后，你的数据集会与其他数据集建立丰富的联系，使之在发布时变得很有价值。

下一篇：《Using OpenRefine》翻译~17