基于兩階段聚類的人名消歧算法研究.pdf

1、隨著互聯(lián)網(wǎng)的普及，向搜索引擎提交查詢進行信息檢索已經(jīng)成為人們獲取網(wǎng)絡(luò)信息的主要方法。人名檢索是最常見的檢索之一，通過搜索引擎可以很方便的獲取一個人物的信息，但是由于人名重復(fù)現(xiàn)象十分普遍，以至于對于一個人名的檢索，搜索引擎常常返回一個很長的結(jié)果列表，包含了許多重名者。用戶要想找到特定的人物信息，必須通過添加特征來改善查詢，或者通過瀏覽的方式在結(jié)果列表中進行搜索，從眾多重名者的信息中找到想要查詢的人物信息，這樣會使搜索性能大大下降。因此，有

2、必要研究一種有效的人名消歧算法來提高人名檢索效率。
　　本文在分析現(xiàn)有人名消歧相關(guān)理論與技術(shù)的基礎(chǔ)上，提出了兩階段聚類的人名消歧方法。人物屬性是對人名消歧很重要的特征，首先，本文抽取了16種主要的人物屬性，對于9種比較容易抽取的屬性，采用傳統(tǒng)正則表達模式和詞典匹配的方法，而針對7種抽取比較困難的屬性，采用一種基于自擴展的自動化抽取方法;然后，本文將搜索引擎返回的結(jié)果文檔用屬性向量表示，計算文檔之間的相似度;最后進行初步聚類。由于并

3、非所有的網(wǎng)頁中都包含人物屬性信息;因此初步聚類之后許多沒有包含人物屬性信息的網(wǎng)頁不能被正確聚類。因此，本文提出了利用語義關(guān)系進行再次聚類的方法。首先，本文抽取維基百科中概念及概念之間語義關(guān)系，并對語義關(guān)系進行計算，構(gòu)建語義關(guān)系圖;其次，使用SimRank算法計算出任意兩個節(jié)點之間的相似度;然后將初步聚類的結(jié)果表示成維基百科概念向量;最后，根據(jù)概念語義關(guān)系計算簇之間相似度，進行第二次人名聚類。
　　實驗結(jié)果證明了我們所提出的兩階段聚