信息检索与信息抽取差异性探析.docVIP

信息检索与信息抽取差异性探析 ［ ］通过发表论文、会议组织、出入口、 关键技术、发展趋势等方面对信息检索与信息抽取进 行比较分析，发现信息抽取与信息检索有着质的不同。 信息抽取不是信息检索的发展方向，但信息抽取技术 可以很好地应用于信息检索系统。分析两者之间的差 异有利于研宄的深入，理清它们的关系有利于共同促 进。 ［关键词］信息检索信息抽取命名实体识别 模式匹配规则抽取 ［分类号］G35 TP391 李保利等人从功能、处理技术与适用领域等三个 方面介绍了信息检索与信息抽取的不同。李芳等人在 阅读大量相关文献的基础上，简要介绍了信息抽取、 信息检索与自动文摘的区别，认为信息抽取是“更高 级的信息检索”。文献［3］分析了信息检索与信息抽取 的特点和不足，认为信息检索技术的研究主要侧重于 语料库的方法，信息抽取技术的研宄更侧重于自然语 言的理解，基于符号的处理方法，并最终提出了一个 结合两者优势的信息获取模型。 然而笔者认为，信息抽取不是信息检索的高级阶 段，它并不能代表信息检索的发展方向。信息抽取可 以应用于信息检索，提高检索质量与精度，反之，信 息检索的应用也会对信息抽取提出更新的挑战。 1、信息检索与信息抽取的学术关注度差异 在中国知网上检索相关文献（题名或关键词精确 匹配），关于信息抽取的第一篇文章为1997年刊登在 《情报学报》上的《基于信息抽取和文本生成的自动 文摘系统设计》；关于信息检索的第一篇文章为1980 年刊登在《情报科学》上的《全息情报检索QCU系统 简介》；关于文献检索的第一篇文章为1976年刊登在 《武汉大学学报（理学版）》的《怎样查找科技文献资 料》。从1997至2006十年间关于信息抽取的文章共 393篇，年均39篇，关于信息检索的文章达到6269 篇，年均627篇，是信息抽取的16倍。近10年来信 息检索与信息抽取的文章发表数量如表1所示： 从绝对数量上看，信息检索的文章远远多于信息 抽取，甚至高出一个数量级。信息抽取的研宄起步比 较晚，只有10年的时间，而信息检索的研宄比较成熟， 己有几十年的时间。关于信息抽取的文章，增长最多 的时候出现在2004与2005年，分别增长29篇与31 篇。关于信息检索的文章，每年的增量都在100篇左 右，只有2005年出现了很小的负增长，而增长率最高 的时候出现在2000年前后，从1999年到2001三年 间保持着30%左右的增长。为了能在同一幅图里显示 信息抽取与信息检索文章的增长趋势，把信息检索的 文章数量进行缩小，缩小到与信息抽取的文章处于同 一数量级（每年文章数量除以16），如图1所示： 从图1中可以看出，信息检索得到了持续的关注， 从1998年开始迅猛增长，增长的原因主要是搜索引擎 的崛起，带动了整个信息检索领域的新发展。而信息 抽取从20世纪90年代末开始得到关注，从2003年开 始得到迅速发展。目前信息抽取的增长势头非常迅猛， 而信息检索相对平稳一些。如果说10年间信息抽取的 研究经历了从无到有的过程，那么信息检索的研宄就 是从弱到强的过程。 2、信息检索与信息抽取的相关会议 关于信息检索的国内会议比较多，其中包括：中 国科技情报学会计算机情报检索专业委员会从1980 至1986年举办了 5届全国机器检索学会交流会，该系 列会议后来改名为全国计算机情报检索学术讨论会， 后来再次改名为全国计算机信息管理学术讨论会；中 国中文信息学会信息检索与内容安全专业委员会举办 的全国信息检索与内容安全学术会议，今年将举办第 三届会议；随着搜索引擎的迅速发/PC关于搜索引擎 三届会议；随着搜索引擎的迅速发 /PC 关于搜索引擎 的会议也显得越来越重要，中国计算机学会互联网专 业委员会举办的全国搜索引擎和网上信息挖掘学术研 讨会，2007年已举办了第五届；另外，微软亚洲研宄 院联合清华大学、香港中文大学于2004年共同承办了 首届亚洲信息检索研讨会。 关于信息检索的最有影响力的两个国际会议组织 当属TREC与INEXo TREC由国际标准和技术委员会及 美国国防部共同资助，每届参会的人数很多，提供丰 富的评测标准与实验数据，是目前最权威的检索评价 会议；INEX由DELOS数字图书馆网络组织和IEEE计算 机学会资助，主要针对基于内容的XML检索提供统一 评价程序。这两大会议是国际上公认的权威评测机构， 而国内关于检索方面的评价还很少，全国搜索引擎和 网上信息挖掘学术研讨会近年来主要是针对分类进行 评测。 信息检索会议举办得如火如荼，但以信息抽取命 名的会议在国内还很少，比较有影响力的是微软亚洲 研宄院于2005年举办的信息抽取技术暑期研讨班。国 际上比较有影响力的当属MUC,它是20世纪80年代 末由美国国防部的DARPA发起的，旨在通过一系列国 际化的研宄系统测评