web新闻人物追踪系统的设计与实现

Web新闻人物追踪系统的设计与实现提纲引言动机难点相关研究指代消解实体关系抽取具体工作文本中关键词的提取人物指代消解时间指代消解简历型网页/段落的判定人物踪迹追踪系统的实现总结引言-动机广泛的需求还没有搜索引擎正式提供关于人物的搜索服务展示Webdigest小组长期工作成果的展示平台作为天网的一部分引言-难点胡锦涛主席将于5月6日至10日对日本进行5天的国事访问。除东京外，他还将访问横滨和奈良，并从大阪启程回国时间指代消解，人物指代消解吴仪中共中央政治局委员，国务院副总理。女，汉族，1938年11月生，湖北武汉人，1962年4月加入中国共产党，1962年8月参加工作，北京石油学院石油炼制系炼油工程专业毕业，大学学历，高级工程师。1956年至1962年西北工学院国防系、北京石油学院石油炼制系炼油工程专业学习。1962年至1965年兰州炼油厂车间技术员、政治部办公室干事。1965年至1967年石油工业部生产技术司生产处技术员。简历型网页的判断相关研究-指代消解-人物指代消解Borrow的STUDENT系统：利用有限的启发式规则Winograd的SHRDLU系统：基于语法位置Wilks的Preferencesemantics系统：利用简单的语义知识的四级指代消解系统Hobbs算法：基于句法分析，通过搜索句法树，寻找先行词IdoDagan和AlonItai：利用共现模式从大规模语料库中自动获取约束Mitkov：有限知识方法，应用一系列规则Soon：利用机器学习，构造一个分类器判断是否是指代关系相关研究-指代消解-时间指代消解InderjeetMani,George：一个时间消解的框架。处理中文需要解决更多问题借鉴：判断一些不需要消解的情况使用分类器解决，选择基准时间时的思想相关研究-实体关系抽取Brin1998，Agichtein2000：先确定关系类别，然后基于关系对与描述模式在自然语言文本中的出现规律，自动学习语义化关系模式来找到关系对。Etzioni2004：根据关系的种子实例对自动生成关系抓取模板，并且能给每个新发现关系对一个属于该类型的置信度。TakaakiHasegawa2004：基于实体对在文本中的共现定义关系，并利用共现文本对关系进行聚类、标注。YutakaMatsuo2006：以一组科技论文网站和论文作者的主页等半结构化数据为研究对象，以此来发现作者之间的关系具体工作-文本中关键词的提取JianguoXiao2007：一个词W的重要程度由两部分因素组成，一个是其他词Ai（Ai!=W）的重要程度以及W和Ai的关系紧密程度，另外一个是W所在句子的重要程度以及W和这个句子的关系紧密程度。同样，一句话S的重要程度也有两部分组成，一个是其他句子Bi（Bi!=S）的重要程度以及它和S的相似程度，另外一个是S所包含的词的重要程度以及他们同这句话的关系。具体工作-文本中关键词的提取词语与词语之间的关系互信息（472978篇网页，1308327个词语，64312933对无序词对）句子与句子之间的关系cosin值词语与句子之间的关系一个迭代的过程计算每个句子和每个词语的关键程度jjitttttstfisftfisf具体工作-人名指代消解-人名性别判定人名性别判定获得一个人名性别列表，总共包含5901个不同的姓名，通过统计每个名字对应的所有人的性别，简单地对这些名字的人的性别作出判断，得到了一个判断拥有名字N的人的性别的一个表。问题：所获得的名字的数量远远不能涵盖新闻网页中出现的人名，以至于在指代消解的时候，无法确定人物的性别，使得消解出错。这一块有待在今后工作中的改进。具体工作-人名指代消解-姓名缩写消解3月22日凌晨，巴勒斯坦哈马斯（伊斯兰抵抗运动）精神领袖艾哈迈德·亚辛的汽车遭以色列直升机导弹袭击，亚辛及其两名保镖身亡。解决方法：简单的替换具体工作-人名指代消解-评测随机选取了20篇网页，其中包含“他”和“她”共36个，是共消解36个，正确消解29个，精度是81%，召回度是100%。错误分析3个，人名识别接识别问题，如果接口能够正确识别，精度应该是89%2个，寻找先行人名错误2个，先行词并没有以人物姓名的形式出现在网页中，而是以一些名词或者“姓+名词”的形式出现，比如“司机”，“张医生”，具体工作-时间指代消解-难点哪些需要消解？对海量网页中词频排名前1000的词进行了统计和分析，得到了一些模式，并且整理了里面的能够明确消解的时间词语“今天”,“今日”,“当天”,“当日”,“当晚”,“今天上午”,“今晚”,“今天下午”,“当天下午”,“当天晚上”,“同一天”,“今夜”，“今年”,“下半年”,“上半年”,“今年上半年”,“今年下半年”,“今夏”,“今秋”,“今冬”,“今年夏天”,“同年”,“今年秋季”，“上周”,“本周”,“本月”,“下周”,“月底”,“周末”,“上周末”,“当月”,“本月底”，“去年”,“上一年”,“上年”，“昨日”,“昨天”,“昨晚”,“昨天下午”,“昨天上午”,“昨日下午”,“昨日上午”,“前一天”,“昨天晚上”,“昨夜”，“明日”,“次日”,“明天”，“前天”，“明年”,“次年”，“前年”，“下月”，“上月”,“上个月”，“年底”,“今年年底”,“年终”,“年末”,“今年底”，“年初”,“今年年初”,“今年初”，“去年底”,“去年年底”，xxxx-xx-xx，xxxx.xx.xx，xx年，xx月，xx日，（x代表一个阿拉伯数字）具体工作-时间指代消解-难点“九八年”，“２０００年”中文数字以及全角阿拉伯数字转换成半角阿拉伯数字“1946年1月到8月”,“4月1日、7日、8日”时间段、并列时间的处理引用中的时间不处理基准时间的确定一套规则是否是未来时间考虑时间间隔“今天的中国”是否需要消解具体工作-时间指代消解-评测随机选取了50篇网页，包含在消解范围内的时间词248个，消解了242个，正确消解了223个，精度是92%，漏掉了6个，召回度是97%。错误的原因消解了不应该消解的时间，有4个基准时间判断错误，有6个其余错误包括时间间隔处理的问题、接口识别的问题等还有一些词不在本模块规定的可消解范围内，由于它的一部分属于可消解词，以至于被消解，如“农历三月等”。漏掉的原因4个因为接口没有将这个时间识别出来，2个被简单的认为不应该消解。具体工作-简历型网页/段落的判定判断简历型网页判断简历型段落均根据调研情况制定一些规则，按照对人名、时间以及其他的统计数据作出判断具体工作-简历型网页/段落的判定-评测使用了409篇网页，共有67个简历网页判断简历型网页精度：得到58篇简历的网页，正确56篇，精度为97%。错误分析：一篇是讲的宪法的历史，期间提到了很多时间，而且除了开始出现了一个人名外，之后都没有提到人，这些都符合了判断简历型网页的条件。另外一篇中本没有提到人，但人名识别接口错误的识别出了一个人名，同时符合判定的其他标准召回度：83%错误分析：2篇，人名识别接口没有识别出人名；2篇，简历中人名出现过多；5篇是在处理特殊网页（每句一段），没有正确找打句子开始的时间；1篇是将非特殊网页判断成了特殊网页；1篇是因为简历过长，没有考虑。具体工作-简历型网页/段落的判定-评测判断简历型段落，数据集同上精度：识别出26个简历型段落，20个正确，精度是77%错误分析：有些段落比较短，一些阈值不适合导致的，同时召回度也不理想，最后在构建系统的时候，暂时没有用到简历型段落具体工作-人物踪迹系统的实现-数据集网页来源：2007年Webdigest小组所抓取的网页。选取的新闻网页作为种子，并且按4层抓取。从10月1日开始持续了30天，总计20，000，000篇网页。处理过程：使用Parasize项目的工具进行消重、去噪使用本文的模块对网页处理。句子为单位，进行提取踪迹现在得到的数据：总共得到403456条人物踪迹，23415条同时包含地点信息，作为现在系统可以查询的数据。具体工作-人物踪迹系统的实现-模块和功能模块：查询模块，和地图展示模块功能：输入：一个人名输出：他/她的所有踪迹，包含人物、时间、地点和时间，踪迹，并且按照日期排序。地图展示：屏幕右侧，地点被标识，线条连接相邻踪迹的地点，动态展示总结意义研究价值创新收获新的知识科研经验今后工作各模块的改进奥运会信息处理系统