【正文】 Product_of(), … 事件分類： … ?實體名詞的語義分類是一個關鍵 ——二元關系在此分類集合上構造；精神活動類名詞基本與 IE無關。1, 2, … n 39。1, 2, … n 39。1, 2, … m 39。 1213C 基礎設施 ?詞典、詞切分和詞性標注 制作一個規(guī)模適當、分級合理并可靈活配置的詞典是建造中文信息提取系統(tǒng)的第一步； ?適用于中文信息提取的短語句法及語義分析 包括句法成分的識別與標引，關鍵詞提取，檢索特征集的提取、索引等。 No artificial base classes amp。 各級算法都是 Mutating algorithms (transform) ? class ie_unit [idx] == paragraph [idx] == sentence [idx] == phrase/word([idx]==) token 1213C 漢語命名實體的識別 （ 1） 人名 （ 包括中國人名和外國人譯名 ） （ 2） 地名 （ 包括中國地名和外國地名 ） （ 3） 組織機構名 （ 包括政府機構 、 社會團體 、 企業(yè)等名稱 ） （ 4） 數(shù)字表達式和時間表達式 （ 包括數(shù)值 、 數(shù)碼 、時點和時段 ） 1213C 漢語命名實體的識別 分兩步走： 第一步是詞語一級的 ， 與分詞同步進行； 第二部是短語一級的 ， 可作為句子 (淺層 )分析的一部分 。 1213C Web頁面的文本信息提取 1213C “Web IE” ?IE技術運用于 Web頁面： 難點依然是難點 。 …… 1213C WebIE的一些初步應用 ?Web頁面中各類命名實體的提取 實體數(shù)據(jù)庫 (人／公司／ … 地址、電話、 Email信息） ?命名實體的行業(yè)／特性／類別判定 行業(yè)公司數(shù)據(jù)庫、產(chǎn)品目錄、 …… ?在指定行業(yè)中某類命名實體流行度的估計 (popularity estimation)等 “ XXX排行榜 ” , “人氣指數(shù)分析 ” ， … 1213C 網(wǎng)上相關信息自動收集 其特征在于：根據(jù)用戶預先提供的實體特性在信息網(wǎng)絡上為用戶自動收集和加工 /歸類 /排序 ?用戶的信息需求是通過指定一批有具體特性的實體來確定 ?通過實體特性描述同收集到的網(wǎng)上信息的對比和評價，判斷網(wǎng)頁與實體的定量相關程度 ?可以指定 “ 實體 ” 為 “ 個人 ” 、 “ 公司 ” 、“ 機構 ” （例子： 名人信息收集 ） ?也可以指定 “ 實體 ” 為特定專題、網(wǎng)絡協(xié)議、技術術語（例子： TCP/IP相關文章收集 ） 1213C 結語 ?文本信息提取是一個富有挑戰(zhàn)性和探索性的課題 Google Search: Information Extraction ?許多相關問題的認識及求解需要長期研究、不斷積累 ?應明確信息提取作為一門應用技術的目標和核心策略 ?與相關數(shù)據(jù)庫技術結合 (Data/Text Mining, … )， Web信息提取大有前景 1213C 謝謝 ! Q amp。 (2) 事件模式識別 () 在 Shallow PhraseSequence上再做一次 LR Parsing “Cascaded FA”. ?可以使用 “ 優(yōu)先的 LALR(1)”分析器 (., YACC/Bison parsers) 1213C 模式分級的優(yōu)點 ?本方法取得的幾個顯著結果： 無論多少模式，都是線性復雜度 O(m) （只要無沖突的 YACC Parser能夠構造出來） 會議標題可以有效地進行識別 ., 今天交通部召開 全國交通系統(tǒng)治理公路和水上 ”三亂 “ 電話會議 1213C 特別技巧 ?the PreLookahead trick (as with some C++ pilers) to deal with the conflicts effectively！ pattern: IN_Pattern Conf KeyVerb %prec KeyVerb …… 1213C 信息提取中的模式匹配 ? IE系統(tǒng)中的 NE, ER, Event都有一大批 Patterns； [公司 ] [發(fā)布 ] [產(chǎn)品 ] [人 ] + “被” + [機構 ] + [APPOINT ] + [職務 ] ? Event Patterns通常都是一些 “ 廣譜 ” 模式：節(jié)點不限于終結符表達式；可以是句法、語義范疇。 － 每一個語法 /語義分析層次都有相應的結點容器； － 用 iterators抽象各個容器的操作界面，實現(xiàn)算法與容器的互操作； ?要求： 各個容器都至少是 sequence containers (Reversible, BackInsertible)。 1213C 幾點特色 ?Generic Programming設計思想 ?切分／ NE識別／標柱一體化的統(tǒng)計模型 ?廣譜模式與分級的 .Y文件 1213C Generic Programming “泛型程序設計 ” ? OOP之后的又一個 Paradigm (更好 ?)。 Ent i t y T agg i ng Ba s . Seg amp。1, 2, … l 39。1, 2, … m 39。1, 2, … m 39。 ?自然地， IE是基于 “ 語義信息 ” ： 通過 “ 語義關系 ” 組裝命名實體 1213C 信息提取的 “ 8字方針 ” ?識別 (命名 )實體，確定 (語義 )關系 ?把文本看作是｛ (2/3/… 元 )實體關系｝的集合 （ IR:把文本看作是｛詞 /符號串｝的集合 /概率空間） ? Welldefined IE demands a welldefined (putable/decidable/recognizable) inforepresentation. 1213C 物質(zhì)結構規(guī)律 小常識 原子 分子 物質(zhì) 1213C 物質(zhì)結構規(guī)律 小常識 原子 分子 物質(zhì) Nu c lei(p , n ) + E lec tr o n s 1213C 物質(zhì)結構規(guī)律 小常識 原子 分子 物質(zhì) Nu c lei(p , n ) + E lec tr o n s Q uark s 1213C 物質(zhì)結構規(guī)律 小常識 原子 分子 物質(zhì) Nu c lei(p , n ) + E lec tr o n s Q uark s Superstrings 1213C 信息組成方式 命名實體 NE (Nam e d E n ti ti e s) 實體關系 ER (E n ti t y Rela ti o n s ) 消息模板實例 ( T e m p late In stan c e s ) 1213C 信息組成方式 命名實體 NE (Nam e d E n ti ti e s) 實體關系 ER (E n ti t y Rela ti o n s ) 消息模板實例 ( T e m p late In stan c e s ) 漢 字 1213C 命名實體 NE (Nam e d E n ti ti e s) 實體關系 ER (E n ti t y Rela ti o n s ) 消息模板實例 ( T e m p late In stan c e s ) 漢 字 IE是“化學變化”：原子一級的重新組合。這種趨勢還同計算機處理能力不斷提高和文本數(shù)據(jù)積累不斷