空间信息专论第四讲空间信息文件挖掘与抽取案例.pptVIP

空间信息专论第四讲 空间信息的文件挖掘和抽取案例;;幽冥无定空间迷 指标定位辩明晰 文章内隐空间讯 抽丝剥茧尽抽提 朱氏诗集;空间信息是信息内容的一环，通常指涉了绝对位置 、相对位置或空间分布等概念，而这些概念透过文 字描述表达意义，作为信息传递的媒介，使用具空 间概念的词汇如：地点、介系词、连接词等，透过 特定文法传递空间信息的讯息。 ;新闻文件对计算机而言，属于一堆没有结构化的数据 ，如何让计算机辨识，必须先对这些文件加以处理， 相关的研究包括了 资讯撷取（ InformationExtraction）、 关键词撷取（ keyword extraction）。;一、信息撷取分类（ Information Extraction）;信息撷取是由文件中撷取事先默认所需的信息。讯 息理解会议(Message Understanding Conference， MUC)中提到，信息撷取不仅仅辨识重要的个体，还 必须决定个体之间的关系。MUC-6 会议订定的工作 项目为： 辨识专有名词（Name Identification）、 照应词解析(Coreference Resolution)、 脚本模版（Scenario Template）等三项。 ;专有名词的辨识正如字面上的意思，企图撷取文件 中的专有名词；而照应词的解析是串连专有名词及 其对应的代名词；脚本模版则是依照预先订定的模 版，由文件中撷取相关的信息填入模版的字段。这 三项工作可视为是有层级的关系，唯有专有名词辨 识完成，才能够进行照应词解析，而后进行脚本模 版的记录（陈光华，1997）。;基本的信息撷取系统可以包含以下几个部份： 文件版面分析模块、分词模块、词汇分析模块、语 法分析模块、语义分析模块，其功能分别叙述如下 ，信息撷取架构见图1-1 （陈光华，1997）：; 图1-1 信息撷取架构;１、版面分析模块（Layout Analysis Module） 文件通常由文字、标题、表格、图形等等组成，图 1-2 是学术论文版面构成的一个例子。处理这类文 件时，文档版式分析模块必须区分文字的结构区块 ，然后串联文字部份构成书面语，将其交由后续的 语言处理模块；表格部份交由表格处理程序；图形 则交由图形处理程序。 ; 图1-2 学术论文版面结构（陈光华，1997） ;2、分词模块（Word Segmentation Module） 中文分词方面中文文件与英文文件在信息撷取前置 处理上，最大的差别是，中文文件需断字处理而英 文文件不同。因为英文文件每个字与字之间，以空 白为区隔，而在中文文件，每个词汇相连词汇与词 汇之间并没有明显的区隔，需要利用工具或方法方 能将有意义的词汇分出来，分词并不如想象的简单 ，举个例子说明如下： ;将刘大目的确实行动作了解释这个句子包含很多可 能的二字词（Two-character Words），例如：目的 、的确、确实、实行、行动、动作、了解、解释， 是只有一种分词结果是正确的 如下所示。 将˙刘大目˙的˙确实˙行动˙作˙了˙解释前述 的例子还有一个困难的问题必须处理，亦即如何辨 识刘大目是一个人名，而非三个单字词（One- character Words）。 ;3、词汇分析模块（Lexical Analysis Module） 语汇分析模块主要是为词汇加上词类标记，进行更 高阶的处理。若是以下列的句子为例：「苏联总统 戈尔巴乔夫宣布，苏联将在短期内自古巴撤出一支为 数约一万一千人的训练旅」， ;依据中央研究院信息科学研究所词库小组建构的汉 语语料库，加上词类标记后为「苏联(Nc) 总统(Na) 戈尔巴乔夫(Nb) 宣布(VE)，(COMMACATEGORY)苏联(Nc) 将(D)在(P)短期(Na)内(Ncd)自(P) 古巴(Nc)撤出 (VC)一(Neu)支(Nf)为数(Na)约(Da)一万一千(Neu) 人(Na)的(DE)训练(Na)旅(Na)」，其中括号内为该 词汇的词类，以N开头的词类如Na、Nb、Nc、Neu、 Nf为名词；以V开头的词类如VB、VC、VE为动词；以 D开头的词类如D、Da、DE 为副词；以P开头的词类 为介系词。;4、语法分析模块（ Syntactic Analysis Module） 语法分析（剖析，Parsing）会产生所谓的剖析树 （Parsing Tree），其目的在于了解各词汇扮演的 语法功能。但是从剖析技术的学者专家都了解剖析 自然语言事实上是非常困难的，一个十几个字的句 子很有可能会有上百个可能的剖析树，进行完全的 剖析（Complete Parsing）常常无法做到，因此部 份剖析（ Partial Parsing）的策略逐渐受到重视 。 ;5、语义分析模块（Semantic Analysis M