利用rosette 提取实体 - rapidminer china.pdf

利用 Rosette提取实体 安装好 Rosette for RapidMiner 扩展后并设置了API密钥和连接 ，我们就可以开始进行 分析了。 但是还有最后一步 ：在 RapidMiner Marketplace 中下载 RapidMiner 的文本处理扩展 RapidMiner’sText Processing extension ，这是一组很有用的文本挖掘扩展 ，允许您加 载 ，过滤和分析来自各种不同来源的文本。 都安装完成后 ，我们前往 RapidMiner Studio ， 之后来演示下 ，使用三个算子创建一个简单的文本挖掘提取流程 ：分别是创建文档（Create Document ），文档数据转换 （Documents to Data ）和文本提取 （Extract Entities ）。 将以上三个算子拖到 Studio正中间的流程面板中 ，并将它们连接在一起 ，保持上面列出的 顺序。 也可以使用算子搜索栏找到以上算子。 选择创建 ‘Document operator’。 在参数面板中 ，选中添加标签盒 ‘label box’。 在 标签类型 label type 下 ，选择文本 text ，然后输入我的_文本my_text作为标签值。 单击 面板顶部的编辑文本 ‘Edit Text’按钮 ，并将下面的文本复制到弹出窗口中。 “Bill Murray will appear in new Ghostbusters film Dr. PeterVenkman was spotted filming a cameo in Boston this… http//dlvr.it/BnsFfS.” 点击 ‘Apply Changes’按钮保存。 现在选择数据转换 “Documentsto Data” 算子。 在 “Parameters （参数 ）”面板的文 本属性 （labelvalue ）字段中输入 “my_text”。 使用蓝色的 “play”按钮执行该过程。 结果显示五个提取的文本。 如您所见 ，Rosette正 确提取了文本中包含的名称和位置。 让我们输入较长的文本文字。 将下面的句子添加到参数文本 parameter text 并重新运行 进程。 “Another original Ghostbuster, DanAkroyd, is also confirmed to have a cameo in the film.” 从结果我们可以看到 Rosette提取了 DanAkroyd 的名字。 然而 ，眼尖的人可能已经注意 到 ， “Akroyd”拼写错误。 （应该是 “Aykroyd”。 ）这并不稀奇。 名称拼写频繁的错 误从个人博客到纽约时报等到处可见。 如果您要在大量文档集合中跟踪特定对象 ，请尽可 能确保您的所搜对象名称的拼写是正确的。 Rosette 自动提取并链接具有拼写变体和其他 文本异常的对象 ，并将它们统一列为单个条目。 为了演示此功能 ，让我们在文本提取 Extract Entities 的 ‘parameter’参数面板中启用链 接对象 Link entities。 紧接着 ，我们将在参数文本 ‘parametertext’中添加第三行 ，其中包括 DanAykroyd名 称的正确拼写 ，如下所示 ： “Actually, the correct spelling is Aykroyd.” 当我们再次运行时 ，结果中显示了一个新的 QID列。请注意 ，“DanAkroyd”和“Aykroyd” 具有相同的 QID值 - Rosette 已将其正确标识为同一对象。 QID值是从维基数据中绘制的 ，所以如果一个危机有一个维基数据项 ，Rosette就能够链接 并解决它. QIDs对机器读取是非常有用 ，但对于人类来说 ，它们可能很难跟踪。 打开包括实体名称” Include Entity Name”参数能让我们看到除了它们的 QID之外的实体名称。 之后您可以尝试自己动手 ： 整合了 RosetteText Toolkit 的 RapidMiner Studio ，我们就可以处理任意的文本挖掘任 务了 ！您也可以尝试其他的算子 ，包括分类 （Categorization ），情感分析 （Sentiment Analysis ），形态分析（MorphologicalAnalysis ），分词（Tokenization ），句标记（Sentence Tagging ），名称翻译 （Name Translation ）和名称匹配 （Name Matching ）