L4D——一種有效的互聯(lián)網(wǎng)實體抽取方法.pdf

1、隨著計算機和互聯(lián)網(wǎng)的迅猛發(fā)展，各領(lǐng)域可及的信息量呈指數(shù)級增長，傳統(tǒng)的通用搜索引擎在性能和用戶體驗上受到了較大的挑戰(zhàn)。近年來，以互聯(lián)網(wǎng)實體抽取技術(shù)為核心的，與具體領(lǐng)域相關(guān)的垂直搜索引擎以“一站式服務”優(yōu)勢吸引了不少的商家和研究機構(gòu)投資開發(fā)和研究。本文介紹了互聯(lián)網(wǎng)實體抽取的概念、架構(gòu)與關(guān)鍵技術(shù)，包括網(wǎng)頁文檔集合的獲取、網(wǎng)頁解析與視覺信息計算、實體內(nèi)容抽取、實體屬性標記、后處理、分布式并行處理與流水線等技術(shù)。 基于同一個事物在列表頁面

2、中的實體抽取效果好于詳細頁面中的實體抽取效果的觀察，本文提出了L4D(List forDetail)方法：通過引入實體級別的線索，提高互聯(lián)網(wǎng)實體抽取系統(tǒng)處理詳細實體頁面時的性能。設(shè)計了兩種L4D模型--補償型模型和指導型模型，描述了兩種模型的架構(gòu)和詳細作用方式，并比較了兩種模型的優(yōu)缺點和適用范圍。 為了衡量互聯(lián)網(wǎng)實體抽取系統(tǒng)及各組件的性能，比較系統(tǒng)及各組件版本演進過程中的性能變化，本文提出了開放域互聯(lián)網(wǎng)信息抽取系統(tǒng)評價方案，建立