【正文】 … 事件分類： … ?實(shí)體名詞的語義分類是一個(gè)關(guān)鍵 ——二元關(guān)系在此分類集合上構(gòu)造；精神活動(dòng)類名詞基本與 IE無關(guān)。1, 2, … n 39。1, 2, … n 39。1, 2, … m 39。 202203031352 基礎(chǔ)設(shè)施 ?詞典、詞切分和詞性標(biāo)注 制作一個(gè)規(guī)模適當(dāng)、分級(jí)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(shí)別與標(biāo)引，關(guān)鍵詞提取，檢索特征集的提取、索引等。 No artificial base classes amp。 各級(jí)算法都是 Mutating algorithms (transform) ? class ie_unit [idx] == paragraph [idx] == sentence [idx] == phrase/word([idx]==) token 202203031352 漢語命名實(shí)體的識(shí)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(jī)構(gòu)名 （ 包括政府機(jī)構(gòu) 、 社會(huì)團(tuán)體 、 企業(yè)等名稱 ） （ 4） 數(shù)字表達(dá)式和時(shí)間表達(dá)式 （ 包括數(shù)值 、 數(shù)碼 、時(shí)點(diǎn)和時(shí)段 ） 202203031352 漢語命名實(shí)體的識(shí)別 分兩步走： 第一步是詞語一級(jí)的 ， 與分詞同步進(jìn)行； 第二部是短語一級(jí)的 ， 可作為句子 (淺層 )分析的一部分 。 202203031352 Web頁面的文本信息提取 202203031352 “Web IE” ?IE技術(shù)運(yùn)用于 Web頁面： 難點(diǎn)依然是難點(diǎn) 。 …… 202203031352 WebIE的一些初步應(yīng)用 ?Web頁面中各類命名實(shí)體的提取 實(shí)體數(shù)據(jù)庫 (人／公司／ … 地址、電話、 Email信息） ?命名實(shí)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(shí)體流行度的估計(jì) (popularity estimation)等 “ XXX排行榜 ” , “人氣指數(shù)分析 ” ， … 202203031352 網(wǎng)上相關(guān)信息自動(dòng)收集 其特征在于：根據(jù)用戶預(yù)先提供的實(shí)體特性在信息網(wǎng)絡(luò)上為用戶自動(dòng)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(shí)體來確定 ?通過實(shí)體特性描述同收集到的網(wǎng)上信息的對(duì)比和評(píng)價(jià)，判斷網(wǎng)頁與實(shí)體的定量相關(guān)程度 ?可以指定 “ 實(shí)體 ” 為 “ 個(gè)人 ” 、 “ 公司 ” 、“ 機(jī)構(gòu) ” （例子： 名人信息收集 ） ?也可以指定 “ 實(shí)體 ” 為特定專題、網(wǎng)絡(luò)協(xié)議、技術(shù)術(shù)語（例子： TCP/IP相關(guān)文章收集 ） 202203031352 結(jié)語 ?文本信息提取是一個(gè)富有挑戰(zhàn)性和探索性的課題 Google Search: Information Extraction ?許多相關(guān)問題的認(rèn)識(shí)及求解需要長(zhǎng)期研究、不斷積累 ?應(yīng)明確信息提取作為一門應(yīng)用技術(shù)的目標(biāo)和核心策略 ?與相關(guān)數(shù)據(jù)庫技術(shù)結(jié)合 (Data/Text Mining, … )， Web信息提取大有前景 202203031352 謝謝 ! Q amp。 (2) 事件模式識(shí)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) 202203031352 模式分級(jí)的優(yōu)點(diǎn) ?本方法取得的幾個(gè)顯著結(jié)果： 無論多少模式，都是線性復(fù)雜度 O(m) （只要無沖突的 YACC Parser能夠構(gòu)造出來） 會(huì)議標(biāo)題可以有效地進(jìn)行識(shí)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(huì)議 202203031352 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 …… 202203031352 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(jī)構(gòu) ] + [APPOINT ] + [職務(wù) ] ? Event Patterns通常都是一些 “ 廣譜 ” 模式：節(jié)點(diǎn)不限于終結(jié)符表達(dá)式；可以是句法、語義范疇。 － 每一個(gè)語法 /語義分析層次都有相應(yīng)的結(jié)點(diǎn)容器； － 用 iterators抽象各個(gè)容器的操作界面，實(shí)現(xiàn)算法與容器的互操作； ?要求： 各個(gè)容器都至少是 sequence containers (Reversible, BackInsertible)。 202203031352 幾點(diǎn)特色 ?Generic Programming設(shè)計(jì)思想 ?切分／ NE識(shí)別／標(biāo)柱一體化的統(tǒng)計(jì)模型 ?廣譜模式與分級(jí)的 .Y文件 202203031352 Generic Programming “泛型程序設(shè)計(jì) ” ? OOP之后的又一個(gè) 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(guān)系 ” 組裝命名實(shí)體 202203031352 信息提取的 “ 8字方針 ” ?識(shí)別 (命名 )實(shí)體，確定 (語義 )關(guān)系 ?把文本看作是｛ (2/3/… 元 )實(shí)體關(guān)系｝的集合 （ IR:把文本看作是｛詞 /符號(hào)串｝的集合 /概率空間） ? Welldefined IE demands a welldefined (putable/decidable/recognizable) inforepresentation. 202203031352 物質(zhì)結(jié)構(gòu)規(guī)律 小常識(shí) 原子 分子 物質(zhì) 202203031352 物質(zhì)結(jié)構(gòu)規(guī)律 小常識(shí) 原子 分子 物質(zhì) Nu c lei(p , n ) + E lec tr o n s 202203031352 物質(zhì)結(jié)構(gòu)規(guī)律 小常識(shí) 原子 分子 物質(zhì) Nu c lei(p , n ) + E lec tr o n s Q uark s 202203031352 物質(zhì)結(jié)構(gòu)規(guī)律 小常識(shí) 原子 分子 物質(zhì) Nu c lei(p , n ) + E lec tr o n s Q uark s Superstrings 202203031352 信息組成方式 命名實(shí)體 NE (Nam e d E n ti ti e s) 實(shí)體關(guān)系 ER (E n ti t y Rela ti o n s ) 消息模板實(shí)例 ( T e m p late In stan c e s ) 202203031352 信息組成方式 命名實(shí)體 NE (Nam e d E n ti ti e s) 實(shí)體關(guān)系 ER (E n ti t y Rela ti o n s ) 消息模板實(shí)例 ( T e m p late In stan c e s ) 漢 字 202203031352 命名實(shí)體 NE (Nam e d E n ti ti e s) 實(shí)體關(guān)系 ER (E n ti t y Rela ti o n s ) 消息模板實(shí)例 ( T e m p late In stan c e s ) 漢 字 IE是“化學(xué)變化”：原子一級(jí)的