基于文本挖掘的實體搜索的研究.pdf

1、網(wǎng)絡(luò)搜索的研究是當前計算機科學領(lǐng)域研究的熱點與前沿，研究重點逐漸從原始的關(guān)鍵字搜索趨向于更加智能更加復雜的高級搜索，如實體搜索領(lǐng)域。在實體搜索中，輸入為一個關(guān)鍵字或語句查詢(如“信息檢索”、“網(wǎng)絡(luò)協(xié)議”)，輸出為一系列與此查詢相關(guān)的實體的列表(如人名，或時間表述等)。實體搜索大大擴展了網(wǎng)絡(luò)搜索的范疇和深度，具有重要理論意義與實用價值。 本文即研究互聯(lián)網(wǎng)及企業(yè)網(wǎng)中的實體搜索問題，針對一般性的實體搜索問題解決三個主要問題：(1)實體

2、識別，(2)備選實體查找，(3)備選實體排序。實體識別，即標識出哪些是實體，屬于哪類實體。備選實體查找，即應用信息檢索的方法，在數(shù)據(jù)集中檢索出與查詢相關(guān)的實體。備選實體排序，即基于和查詢的相關(guān)性，將這些被選答案進行排序，并將排序結(jié)果作為搜索結(jié)果反饋給用戶。在整個搜索過程中，排序是核心問題，決定了搜索的準確性和搜索效率。 針對實體識別問題，本文針對不同的實體類型，定義了相應的實體識別的方法，并應用字符相似度和上下文相似度來解決實體

3、歸一化的問題，即將表述同一實體的不同描述聚合到同一類中。 針對備選實體查找問題，本文應用傳統(tǒng)的信息檢索的方法查找與查詢相關(guān)的文本；并針對不同文本對實體搜索的貢獻差異，提出了一個基于分類的文本過濾算法。 針對備選實體排序問題，本文提出兩個排序算法:一種是無監(jiān)督的兩層模型算法，將文本和查詢之間的關(guān)系，即文本和實體之間的關(guān)系，以合理的方式結(jié)合在一起，以得到最終查詢結(jié)果；另一種排序算法為一種有監(jiān)督的學習算法，應用一個線性學習模型