信息抽取

✍ dations ◷ 2025-02-26 13:52:45 #人工智能,图书资讯科学

信息抽取(Information Extraction,简称IE,又译信息截取技术)主要是从大量文字数据中自动抽取特定消息(Particular Information),以作为数据库访问(Database Access)之用的技术。

信息抽取的一个广泛目标是允许对以往非结构化的数据去做计算,具体来说就是要允许逻辑推理能对输入数据的逻辑内容可以举一反三。其意义在于决定了例如在互联网上其非结构化(例:不包含元数据)形式中有用信息数量的成长。在这方面的技术上是透过转换到关系形式或是经由XML标签的标记来达到更多的可访问性──一个智能代理程序,监督一新闻数据馈流,需要信息截取技术来转换非结构化数据到某种可推论的方式。

信息检索技术又称为“消息理解”(Message Understanding(英语:Message Understanding)),其主流研究起源于1987年消息理解会议(英语:Message Understanding Conference)(Message Understanding Conference(英语:Message Understanding Conference), MUC(英语:MUC)),这个会议主要提倡利用自然语言处理技术,对文字信息作更深度的剖析,以提高信息检索的认知程度。从1987年第一届会议迄今,MUC(英语:Message Understanding Conference)已经举办过六次会议,每年会中皆会提供文字数据以及标准问题,供与会者以所发展的系统自动抽取消息,这种竞赛方式对于整个领域的技术提升有很大的助益。

信息抽取的基本任务包含了:

在自然语言处理范畴,信息截取技术是雷同于信息检索领域的一种类型,它的目的是要以自动化的方式来截取结构化信息,例如:在某一个特定领域或是从非结构化机器可读的文件中,对明确的数据进行分类、判断上下文以及语义化的分析。

信息截取技术一般借助事先准备的模板(Template)以截取特定新闻事件包括人(Who)、事(What)、地(where)与时间(When)等事实(Fact)。因为截取事实必须对所分析的文件有某种程度的剖析理解能力,在各种信息检索研究课题中,信息截取技术一直相当仰赖自然语言处理技术,因此是传统上最典型的智能检索技术之ㄧ。

一般信息截取技术的做法包括具备文件过滤程序(Text Filter),借此从大量文件中过滤出较相关的文字片段,其作法与信息过滤技术(Information Filtering)较为类似。接着利用剖析程序(Parser),将文件片段转化成剖析树(Parsing Tree)。剖析树类似我们阅读英文时的文法结构,是对文句做语法的分析(例如找出动词、主词、受词),之后再将这些剖析树与原先欲抽取的模板比对,截取出有关人事地物的事实出来。

信息截取的研究,主要还是针对特定领域的文件进行深度分析,因此过程中还包括词汇语义标定(Semantic Tagging)、重要名词词组抽取(Noun Phrase Extraction),文句部分剖析(Partial Parsing)、产生语义格框(Semantic Frame)等相关技术,因此开发一个信息截取系统必须事先创建很完整的领域知识,包括相关词汇、词组、文法规则、语义规则等。

《图书信息检索技术》卜小蝶著:文华,台北市,民85

相关

  • Netscape Communicator网景通信家族(英语:Netscape Communicator)是由网景公司1997年所开发的网络包。整个包包含Netscape Navigator(网页浏览器)、Netscape Messenger(电子邮件客户端软件)、Netscape Co
  • 变性人变性人又称换性、性转者(英语:Transsexual),其经历性别认同与其出生时的指定性别不一致或没有文化的相关性,并希望身体永久转变为符合他们的性别认同,通常寻求医疗援助(包括激素替
  • 全印电视台全印电视台(印地语:दूरदर्शन,拉丁字母转译为:DoorDarshan,简写为DD),是印度的国家电视台,也是印度最大的电视台。隶属于印度政府新闻广播部下属的印度广播公司。全印电视台
  • CATcat通常是“猫”的英文名,但也可能是指以下事物:
  • 欧拉伯欧拉伯(Eurabia)是一个新出现的政治术语,形容一个阴谋论: 被穆斯林(在欧洲出生或移民迁入)占了人口大多数,而原有欧洲人占人口少数的未来欧洲。欧拉伯(Eurabia)由欧洲(Europe)和阿拉伯
  • 第509混合飞行大队第509混合飞行大队(英语:509th Composite Group)是美国陆军航空军在二战期间的一个空军编队,1944年12月17日组建,负责执行运送核武器的任务。该编队在1945年8月将两枚原子弹投放
  • 巴林第纳尔巴林第纳尔(阿拉伯语:دينار‎)是巴林的流通货币,由巴林中央银行发行。货币编号BHD。辅币单位费尔,1第纳尔=1000费尔。
  • 马克·米道斯马克·梅多斯(Mark Meadows;1959年7月28日-)是美国的一位政治人物。自2013年开始,他是北卡罗来纳州第11选举区选出的美国众议院议员。他的党籍是共和党。他曾经是一位商人。2020
  • 阿特纳语阿特纳语是阿特纳人的民族语,属纳-德内语系。现在使用人数大约为80人,为阿拉斯加州官方语言之一。三种阿萨巴斯卡语言的动物词汇比较:
  • 巴斯特人巴斯特人(英语:Basters),是纳米比亚共和国中一个由荷兰男人与布须曼人和黑人妇女混血产生的族群,说南非语。他们通常被认为是纳米比亚阿非利卡人一个次群体,更偏远的有色人。自19