網(wǎng)頁地理信息抽取系統(tǒng)中相關(guān)模塊的設(shè)計(jì)與實(shí)現(xiàn).pdf

1、當(dāng)前，隨著互聯(lián)網(wǎng)的飛速發(fā)展，信息的重要性日益增強(qiáng)，從紛繁的網(wǎng)絡(luò)資源中獲得有用的信息就顯得越來越重要。網(wǎng)頁地理信息作為重要的一種市場資源，在工作和生活中為越來越多的企業(yè)和個(gè)人所需要。因此，我們借助已經(jīng)了解和掌握的一些信息抽取方面的技術(shù)，對這類信息進(jìn)行抽取和處理。
　　本文在深入調(diào)查研究網(wǎng)頁地理信息抽取的各種有效技術(shù)的基礎(chǔ)上，研究和實(shí)現(xiàn)了一些重要的算法方法。同時(shí)，在系統(tǒng)的設(shè)計(jì)和實(shí)現(xiàn)的方方面面，也充分考慮了系統(tǒng)對于準(zhǔn)確性和高效率兼顧的性

2、能需求。設(shè)計(jì)實(shí)現(xiàn)了文本內(nèi)容提取、命名實(shí)體識別、地物信息及關(guān)系抽取等功能模塊，為整個(gè)系統(tǒng)所有功能的完整實(shí)現(xiàn)以及上線使用做出貢獻(xiàn)。
　　在命名實(shí)體識別模塊，基于統(tǒng)計(jì)部分選用對序列標(biāo)注問題具有很好性能的隱馬爾科夫模型方法，識別比較復(fù)雜的人名、地名、機(jī)構(gòu)名和地址。而且根據(jù)各類NE的特點(diǎn)分別提取出了具有很強(qiáng)指示性的NE外部特征和內(nèi)部特征，編寫若干規(guī)則。我們以統(tǒng)計(jì)方法為基礎(chǔ)，再在統(tǒng)計(jì)識別的基礎(chǔ)上利用規(guī)則的方法對統(tǒng)計(jì)識別的結(jié)果進(jìn)行確認(rèn)、修正以及

3、彌補(bǔ)統(tǒng)計(jì)中的漏標(biāo)情況。對于基于地名和機(jī)構(gòu)名的地址以及比較簡單的電話號碼、傳真、郵編和E-mail，則完全采用規(guī)則的方法識別。
　　地物信息及關(guān)系抽取模塊中，首先確定出當(dāng)前文本是關(guān)于單一地物還是多個(gè)地物，然后根據(jù)單地物與多地物各自的特點(diǎn)進(jìn)行文本過濾。接著進(jìn)行簡稱/別稱的識別，確定出單地物中的待處理地物。最后，對已明確待處理地物的文本進(jìn)行地物信息抽取，以及地物關(guān)系的抽取。
　　在內(nèi)容組織上，首先介紹了相關(guān)背景和國內(nèi)外相關(guān)技術(shù)的發(fā)