信息抽取技术与网络情报资源快速获取.docVIP

０ 」 Ａ ＦＴ ＥＣ Ａ３ 曰叶 Ｒ鱿 洲叭日Ｃ Ｒ 】１ Ｎ ＬＯ Ｈ 川Ｎ 冗１ 只】 亚情报学报 葵 侧 」 ０３ 】 Ｎｌ 】 一 １５ Ｎ 冉 Ｄ吸汉Ｈ ＩＡ 〕 Ｎ Ｌ研Ｆ Ｒ Ａ Ｎ 】 ｃ ｌ Ｍ ｎ０ 〕 ４ 】 ０３ 引 岛Ｎ Ｉ 】 一 １５第乃 卷 一５ 翻９ ４１ 　　 年 １ 以 ２拓 ０月 Ｖ ２ ｄ５ 朽 ４９一 １ （ｔ ｋ 曲． 口 ２拓 信息抽取技术与网络情报资源快速获取 马 涛 姜晓菊 庞丽丽 韩志强 （中国兵器工业集团第２０ 　　 北京 以 ５） １ 研究所， １刃 ９ 　　　　信息抽 肠 叫ｔ Ｅ刀‘ ） 摘要 ｏ． ｎ 应用 近年来受到越来越多的重视。在网络情 取（而 ｉ 川．ｏ 是一种 性的语言处理技术， 　　　　 报资源快速获取方面更是具有广阔的应用前景。本文针对信息抽取的内涵、 信息抽取的技 网络情报信息源特点、 术难点、 信息抽取前提、 外代表 　　　　 国 性信息抽取工 方面 较为 具等 作了 详尽的 绍了 川 ｙ 论述并介 一种基于领域。 咖ｇ的信 　　　　 对网络情报信息抽取技术的发展趋势予以展望。 息抽取过程。最后， 关键词 　　　　 如拓 信息抽取 领域。 叶 自然语言 语义网 现和解释数据模型。信息抽取技术并不试图全面理解整篇 １ 引 言 只是对文档中包含相关信息的部分进行分析。至于哪 文档， 将由抽取系统设计时所服务的领域范围而 些信息是相关的， 当今时代． 　　　　 互联网正逐步成为一个超大规模的信息派， 定。人们可以通过搜家引攀查找所需的信息， 并通过浏览网页的方式获取信息。同时， 现代社会信息趋于日益公开化、网络 ３ 网络信息源特点化，在美国、英国等军事强国，网络倩报收集已经成为情报工作的一种重要手段 ， 利用公开的网络情报资源来抽取重要信 　　　　 互联网提供了一个巨大的情报信息源。这种信息源往息辅助战略决策。在我国 计算机信息网络的应用也使情报 中间还夹杂着结构化和自由文本。网上信 往是半结构化的， 但是．研究工作环境与手段发生了巨大改变， 面对互联网 日 包含超链接， 息还是动态的， 具有不同的表现形式，实现了跨 传统人工阅读方式已无能为力，益庞大的数据资源， 悄报研 互联 网站和平台的全网共享。因此， 网是一个特殊的挑战．究人员需要寻求新的信息获取模式来迎合这个快速、 的 高效 一直推动着从结构化 和半结构化文本中抽取信息研究 的向网络情报时代 ， ， 为此 信息抽取技术应运而生。 但 前迈进。有些研究者把所有网页都归入半结构化文本， ．〕 ： ｔ Ｈ． 对网页类型 若能通过识别分隔符 做了颇有用的定义： ２ 信息抽取内涵 属性一 正确抽取 或信息点顺序等固定的格式信息即可把“ 值” 那么， 出来 ． 该网页是结构化的。半结构化的网页则可能包 信息抽取是信息搜索的进一步发展。它是一种应用技 　　　　 或一个属性有多个值， 含缺失的属性， 或一个属性有多个变术， 研究指定信息的查找 、 理解和抽取 ， 并以适当的方式枪出 体等例外的情况。若需要用语言学知识才能正确抽取属性，所指定的信息。它是多种基本的自然语言迹理技术的综合 则该网页是非结构化的。网页的结构化程度总是取决于用 具有广泛的应用领域。在信息化浪潮的推动下，应用 ． 西方 机器产生的网页是非常结 户想要抽取的属性是什么。通常 ，发达国家都十分重视信息抽取技术的研究和应用， 把它列为 构化的，手工编写的则结构化程度差些，当然有很多例外。与信息搜索、信息理解、 语音识别等并重的 文档归类和摘要、 网上大部分内容都以属性列表的形式呈现，例如很多可搜索 需要比较深人语言工程项目。信息抽取是一门综合的技术， 的网页索引。这种外观上的规律性可被利用来抽取信息，避的语言处理基本理论和技术作为支律。信息抽取是从一段 免使用复杂的语言学知识。网页上的组织结构和超链接特文本中抽取指定的一类信息， 然 并将其形成结构化的数据， 性也是需要认真考虑的重要因素。例如，可能需要打开链接后填人一个数据库中供用户查询使用的过程川。信息抽取 的内容才能找到你想要的信息。因此．网页的组织结构不的目 变成表格一 标是把文本里包含的信息进行结构化处理 ， 相应的抽取规则也不同。 同， 输出的是固定格式的样的组织形式。枪人信息是原始文本．信息点。信息点从各种各样的文档中被抽取出来， 然后以统 ４ 信息抽取技术难点一的形式集成在一起。信息以统一的形式集成在一起的好 例如比较不同的招聘和商品信息。另处是方便检查和比较， 信息抽取技术是针对结构文档、 　　　　 纯文档进 半结构文档、 如用数据挖掘方法发外一个好处是能对数据作自动化处理 ， 行的知识抽取， 抽取出对我 去除文档中不需要的冗余信息， ４９ 情报学报 以 ０ 第 乃 卷 ２