中文维基百科的结构化信息抽取及词语相关度计算方法.pdfVIP

第 26卷 第 3期 中文信息学报 Vo1．26，No．3 2012年 5月 JOURNAL OFCHINESEINFORMATION PROCESSING M ay，2012 文章编号 ：1003—0077(2012)03—0109—07 中文维基百科的结构化信息抽取及词语相关度计算方法 涂新辉h。，张红春 ，周琨峰 ，何婷婷 (1．华 中师范大学 计算机科学系，湖北 武汉 430079； 2．国家语言资源监测与研究中心 网络媒体语言分 中心，湖北 武汉 430079) 摘 要 ：维基百科作为一个以开放和用户协作编辑为特 点的web2．0知识库 系统 ，具有知识面覆盖度广 ，结构化 程度高，信息更新速度快等优点。然而 ，维基百科的官方仅提供一些半结构化 的数据文件 ，很多有用 的结构化信息 和数据 ，并不能直接地获取和 利用 。因此 ，该文首先从 这些数据文件 中抽取 整理 出多种结构 化信 息 ；然后 ，对 维基 百科 中的各种信 息建立 了对 象模 型，并提供 了一套开放 的应用程序接 口，大大降低 了利用维基 百科信息 的难度 ；最 后 ，利用维基百科 中获取 的信 息 ，该文提 出了一种基于链接所对应主题页面所属类别的词语语义相关度计算方法。 关键词 ：语义相关度 ；中文维基 百科 ；结构化信 息 中图分类号：TP391 文献标识码 ：A ExtractingStructuredInformationfrom ChineseW ikipedia andM easuringRelatednessbetweenW ords TU Xinhui，ZHANG Hongchun ，ZHOU Kunfeng 。，HE Tingting 。 (1．DepartmentofComputerScience，HuaZhongNormalUniversity，W uhanHubei430079，China； 2．NetworkM ediaBranch，NationalLanguageResourcesMonitoringand ResearchCenter，WuhanHubei430079，China) Abstract：TheWikipediaisthebiggestweb—based encyclopedia，which iswrittencollaborativelybyvolunteersa— roundtheworld．Ithasmanyadvantages，suchaswideknowledgecoverage，highlystructuredandrapidinformation update．However，theW ikipediaofficialwebsitejUStprovidessomeoriginaldatafiles，andmuchstructuredseman— ticknowledgecan’tbeused directly．Therefore，in thispaper，wefirstlyextractthestructuredinformation from thesedatafiles；then，wedesigntheobiectmodelfortheinformationinWikipedia，andprovideanopenAPIfor W ikipediainformation；finally，weproposeanovelmethodtOcomputerelatednessbetweenwords． Keywords：semanticrelatedness；ChineseWikipedia；structuredinformation 地获取语义知识 ，以及如何有