基于网页结构特征的中文命名实体识别和关联算法.pdfVIP

％??算 机 应 用? 《自动化技术与应用 》?????年第 ??卷第 ?期? ?????????????????????? 网页是通过 ????结构创 建 的。而 ????结 构是? 类型 。地址 类型 ?和 ? 的识别相对 更为 困难 。考虑 到? 由很多 不 同的标 签 组成 的 ，????标签 可 以用 作实 体? 这两 种类 型 的地 址里 ，总是 会 出现建筑 ，公司 等组织 机? 间的 自然 分 隔符 ，用 于 确 定 实体 边 界有 用 的特 征 。 即? 构名 称 ，因此在处 理过程 中 ，本文提 出首 先利用 组织结? 使 无法 识 别 出一个 网页 中的 所有 实 体 ，但 是考 虑 到 实? 构名称 识别算法 队候选 地址进行 识别 ，以发现候 选地址? 体在 网站 级别 和互 联 网级 别 ??】的重复 性 ，也 可 以达到 相? 中出现 的组 织结 构名 。 同时检查 在 这些 识别 出 的机构? 当 好 的召 回率 。 识别 结 果 的 交叉 验 证 是有 可 能 的 ，而? 名 前 后 是否 出现 指示 性 的词 语和 位置 补语 。其 中一 些? 且 在 识别 过 程 中非常 关 键 。通 过结 果 的交叉 验 证 ，错? 预 定 义 的提 示性 词和 位置 补语列 在表 ?中。? 误 的识 别 结果 可 以通 过在 同一 页面 或者 不 同 页面上 的? 表 ?? 识别 类别 ?和 ? 型地址 时用 到的? 正确 识 别结 果 来校 正 。本 文提 出 的候选 生 成算 法通 过? 一 些 特 征? 两 步描 述 ：? ● 将 网页通过 ????解析转化 为 ??? 树结构 ，? 指示 性 词? 地 处 、位 于 、地 址 、座 落?等等? 在 ??? 树 中 ，叶子节 点只保存 文本 内容 信息 。? 位置补语? 附近 、前面，后面，等等? ●? 对每一 个 叶子节点 ，将其 包含 的文本进 一步 通? 过标点 符号 进行分 割 ，得到 一个短语 序列 。每 个短语 会? 被考 虑成 一个 候选 实体 ，并 由识 别算法 进一 步处 理 。? ? 命名 实体关联算法? 经过 候选实 体生 成阶段 ，网页被 转化为 ??? 树 形? 一 个 网页可 以通过一颗 ??? 树表示 。命名实体识?