Web数据集成中企业实体踪迹识别关键问题的研究.pptVIP

Web数据集成中企业实体踪迹识别关键问题研究 报告人：徐元子 导 师：李庆忠 教授 主要内容 选题背景 研究现状 研究内容 拟解决方案 研究进度及时间安排 * 选题背景(1) 市场情报分析(MI)的重要性 Web数据集成系统是获取市场情报的重要工具 * 选题背景(2) Web企业实体踪迹适应数据集成发展的需要 Web企业实体踪迹信息提供重要的市场情报 了解企业实体的规模 了解企业实体的行为 如 ：国美收购 层次一：了解企业实体收购的所有公司 层次二：了解收购一个特定公司的过程和特点 了解企业实体之间的关系 收购关系 合作关系 竞争关系 * Web企业实体踪迹信息的特点 多数据源 Web企业实体踪迹信息广泛存在于公司主页、新闻、百度百科 等网页中 数据结构复杂 解决方案 企业实体踪迹信息的识别 Web企业实体踪迹的抽取、重复检测和融合 Web企业实体踪迹信息的规格化 选题背景(3) * 目前踪迹研究侧重于事件的抽取和人物的追踪 事件抽取的模式匹配方法和机器识别方法 预先定义事件模板，事件触发词驱动 不适合企业实体踪迹 人物和企业实体有各自的特点 重复检测研究侧重于数据库中的数据 需要对企业实体踪迹信息规格化 研究现状(1) * 事件融合研究侧重于面向话题的融合 话题检测与追踪 （Topic Detection and Tracking，简称TDT）与踪迹 TDT把不同实体参与的围绕同一话题的事件组织在一起 踪迹把同一实体参与的围绕不同话题的事件组织在一起 研究现状(2) * 研究目标 在已获取Web企业实体事件集的基础上，对于不同信息 源提供的企业实体事件经过相关处理得到规格化的事件 信息，对事件重复检测和融合，形成结构化、层次化显 示的Web企业实体踪迹。 研究内容(1) * 研究框架 初始文档集 Web企业实体踪迹 文档识别 事件抽取 事件集合 事件规格化 元素规格化 事件重复检测 互补元素的融合 冗余元素的融合 事件识别 文本预处理 构建重复检测模型 事件融合 结构化 层次化 显示 互斥元素的融合 事件聚类 研究内容(2) * 需要解决的问题 事件规格化 规定事件基本维度 维度内容的分割和识别 拟解决方案 基于“语义格”定义事件基本维度模型，添加活动维度； 基本维度内容的分割；将复杂事件分割成多个单一事件，将包含多个活动的维度内容进行分割，填充共用维度内容； 识别出分割的维度内容对应的维度名称； 方法：基于条件随机场的语义角色标注，分割并识别各维度 内容。 拟解决方案(1) * 需要解决的问题 构建事件重复检测模型 元素规格化处理 拟解决方案 多个维度综合考虑判断事件相似度，根据维度内容特征使用不同的匹配器，采用扩展证据理论模型检测事件相似度，每个维度元素分配不同的权重 将不符合规格定义的元素转化为可能的规格化信息，分为： 命名实体的规格化处理 时间的规格化处理 地点的规格化处理 活动的规格化处理 拟解决方案(2) * 拟解决方案（续） 针对命名实体规格化处理 通过建立基于Web的企业命名实体词典，对指向同一 企业命名实体的全称、简称、英文名称共指消解，并 对词典内容不断扩充； 对词典中出现的企业命名实体，在事件中使用全称， 完成命名实体的规格化。 针对时间规格化处理 生成规则模板，根据时间表述形式用正则表达式的形 式定义绝对时间； 对于相对时间，参考新闻报道时间，经过相对偏移量 处理后对应到时间轴上。 拟解决方案(3) 拟解决方案（续） 针对地点规格化处理 将地点信息隶属的行