Web中文信息抽取(1)

        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！！！