XML统一文本自动处理描述接口.pdfVIP

第一届全困撞息检索-b内容安全学术套议 XML统一文本自动处理描述接口 苏贵洋，牵建华，马颖华 (I上海交通大学信息安全学院，上海200030) 籀要： 使用尽可能多的特征准确的描述文本、尽可能选择有代表性的特征才能最大程度上改善文本处 理系统的性能。如果文本特征处理程序(包括分词程序。词性、语法标注程序，主题分析、结构分析程序) 都以一种统一的规范来输出其处理结果。这样，其特征处理结果就可以被方便的使用。从而做到研究成果的 共享。基于这种思想，我们提出并实现了XML统一文本自动处理描述接口， 关麓铘： 文本特征，元数据，文本标注，)口旺L XML forText UnifiedInterfaceAutomatic Processing Su Jianhua，Ma Guiyang，Li Yinghua‘ text and mOSt characteristictodescribe the Abstract： most characteristic Usingpossible preciselychoosing reprcsmttlng c锄maximaltext character word perfbm硼cc．If僻xc segmentation, intproveprocesssystemls procegsprograms(inqluding tracir of andstrucbJre tESultSinunified speech，grammar analysis analysis output part labeling，topic pm擎ams)№all outcomem used itcanrealizeshareof characteristic the research procgss bya11．Uncceby specification．their be∞ily productionAccordingtothisidea，wopropo雠iand words：textcharacteristic．metadata,toxt key labeling,xml 1前言 文本特征包含文本元数据(元数据是指机器可以理解的网络资源和其他信息，有关文本的信息 叫做文本的元数据)以及文本内容这两类特征。文本的元数据，可以分为描述性特征以及语义性特 作者简介：苏贵洋(1974一)．男．山东．博士，Email：sugy@sjtu．edu．cn 第一届全固信息检索与内容安全学术会议 征a描述性特征容易获得，而语义性特征较难获得。W3C制定的XML、RDF等规范提供了对Web 文稍资源进行描述的语言和框架1。描述文本内容的特征包括文章主体的特征和～些细节特征，例如 主题、类别、标题(包括多级标题)、以及文本结构特征，文本所用词汇的特征等。目前用于自动处 ofwords)，词性(Part 理的特征通常有词