【摘要】：信息抽取(Information Extraction)的核心在于識(shí)別和提取文檔中用戶(hù)感興趣的數(shù)據(jù),并以更為結(jié)構(gòu)化、語(yǔ)義更為清晰的形式表示,為用戶(hù)查詢(xún)數(shù)據(jù)、應(yīng)用程序利用數(shù)據(jù)提供便利。近年來(lái)國(guó)內(nèi)外已有多位研究者面向各個(gè)領(lǐng)域開(kāi)展信息抽取研究并獲得一定成效。 介于日益嚴(yán)峻的環(huán)境問(wèn)題對(duì)生態(tài)和生物研究提出了更高、更緊迫的要求。本文選用生物多樣性作為研究領(lǐng)域。物種描述是生物學(xué)和生態(tài)學(xué)的起點(diǎn),相關(guān)文檔應(yīng)為首要進(jìn)行信息組織和利用的對(duì)象。然而分類(lèi)學(xué)描述通常采用自然語(yǔ)言,內(nèi)容缺乏一致性,難以得到有效地利用。為完善生物學(xué)和生態(tài)學(xué)研究的支持基礎(chǔ),已有多個(gè)機(jī)構(gòu)及研究者試圖傳統(tǒng)格式的分類(lèi)描述文本轉(zhuǎn)化成新的數(shù)字格式(XML或RDF),試圖為基于語(yǔ)義的信息組織和利用奠定基礎(chǔ)。其中cui等設(shè)計(jì)開(kāi)發(fā)的MARTT系統(tǒng)實(shí)現(xiàn)了良好的標(biāo)注效果,其自行構(gòu)建的先導(dǎo)詞算法,在標(biāo)注準(zhǔn)確率和召回率上都優(yōu)于其它兩種常用機(jī)器學(xué)習(xí)方法,即支持向量機(jī)和樸素貝葉斯。 本文通過(guò)深入研究MARTT的系統(tǒng)原理,和自建的機(jī)器學(xué)習(xí)算法,選用中國(guó)植物志中的物種分類(lèi)學(xué)描述為數(shù)據(jù)集,設(shè)計(jì)實(shí)現(xiàn)了針對(duì)生物多樣性中文文檔的語(yǔ)義標(biāo)注系統(tǒng)。文章主要包含了五個(gè)部分的內(nèi)容： (1)數(shù)據(jù)集的獲取與XML標(biāo)引,本文設(shè)計(jì)了植物分類(lèi)學(xué)描述的XML標(biāo)引結(jié)構(gòu),并將收集的PDF格式的描述文檔進(jìn)行格式轉(zhuǎn)換和XML標(biāo)引。 (2)中文分詞軟件的選用,本文通過(guò)對(duì)比不同中文分詞軟件的分詞效果,選用最合適研究中語(yǔ)詞切分的相關(guān)軟件。 (3)標(biāo)注算法的構(gòu)建。本文設(shè)計(jì)實(shí)現(xiàn)了適用于中文植物分類(lèi)學(xué)文檔的機(jī)器學(xué)習(xí)算法,用于實(shí)現(xiàn)語(yǔ)義標(biāo)注。 (4)對(duì)比研究平臺(tái)的搭建。本文采用LIBSVM軟件包,運(yùn)用支持向量機(jī)算法對(duì)文檔進(jìn)行了分類(lèi)測(cè)試。 (5)標(biāo)注效果的評(píng)估。本文將數(shù)據(jù)集合區(qū)分為訓(xùn)練集合和測(cè)試集合,運(yùn)用從訓(xùn)練集合獲知的標(biāo)注規(guī)則對(duì)測(cè)試集合進(jìn)行標(biāo)注。通過(guò)標(biāo)注準(zhǔn)確率對(duì)標(biāo)注結(jié)果進(jìn)行評(píng)估。評(píng)估結(jié)果顯示,系統(tǒng)基本完成了對(duì)描述文檔主要結(jié)構(gòu)的標(biāo)注,對(duì)個(gè)別元素的標(biāo)注結(jié)果還有待改善,且總體優(yōu)于SVM文本分類(lèi)系統(tǒng)所產(chǎn)生的標(biāo)注結(jié)果。 本文將基于機(jī)器學(xué)習(xí)的語(yǔ)義標(biāo)注應(yīng)用于植物分類(lèi)學(xué)文檔是十分有意義的。首先選用《中國(guó)植物志》作為數(shù)據(jù)集來(lái)源具有較強(qiáng)的現(xiàn)實(shí)意義和潛在的應(yīng)用價(jià)值,其次語(yǔ)義標(biāo)注為基于語(yǔ)義的信息組織與利用研究的基礎(chǔ)和核心內(nèi)容,語(yǔ)義標(biāo)注工作完成后,能夠在此基礎(chǔ)上開(kāi)展XML結(jié)構(gòu)化檢索、聯(lián)合搜索等信息創(chuàng)新用法。最后,該項(xiàng)工作對(duì)生物學(xué)和生態(tài)學(xué)研究起到一定的支持作用,對(duì)于其他領(lǐng)域相關(guān)研究的開(kāi)展也具有極其現(xiàn)實(shí)的借鑒價(jià)值。 本文初步地對(duì)系統(tǒng)的幾個(gè)重要部分進(jìn)行了介紹并提出了解決問(wèn)題的方法,并對(duì)各部分進(jìn)行了實(shí)現(xiàn)。研究還需在數(shù)據(jù)集合的豐富、標(biāo)引工作的簡(jiǎn)化、標(biāo)引結(jié)構(gòu)的優(yōu)化、系統(tǒng)的通用性實(shí)現(xiàn)等方面做更多的工作。
【圖文】：

(z)系統(tǒng)原理學(xué)習(xí)模塊可以從訓(xùn)練實(shí)例中快速獲取層級(jí)結(jié)構(gòu)，該結(jié)構(gòu)將用于之后的標(biāo)注。為了展示這個(gè)過(guò)程，以圖2.3為例展開(kāi)陳述。首先，學(xué)習(xí)層級(jí)設(shè)有一個(gè)根節(jié)點(diǎn)“deseription”。當(dāng)X人4L文本被讀入至根節(jié)點(diǎn)時(shí)，根節(jié)點(diǎn)在“Dese找ption”中發(fā)現(xiàn)5個(gè)元素(即“plant一habit一and一life一style”、“l(fā)eaves”、“nowers”“加its”、和“SeedS”)，從而創(chuàng)建5個(gè)子節(jié)點(diǎn)，將每個(gè)元素的內(nèi)容分配至相應(yīng)的節(jié)點(diǎn)中，例如新創(chuàng)建的子節(jié)點(diǎn)“nowers”獲取有關(guān)花的描述文本。每個(gè)子節(jié)點(diǎn)會(huì)繼續(xù)讀取它所獲得的內(nèi)容，如果需要，創(chuàng)建新的子節(jié)點(diǎn)以容納新的元素。例如，子節(jié)點(diǎn)“flowers”為“braet”和“eal林”元素創(chuàng)建它的兩個(gè)子節(jié)點(diǎn)(“苞片，，和“花警”)。這個(gè)過(guò)程將持續(xù)進(jìn)行直至每個(gè)分支都到達(dá)終端元素。， 9eui

圖2.3訓(xùn)練集合實(shí)例學(xué)習(xí)模塊對(duì)XML文本進(jìn)行處理后，一個(gè)簡(jiǎn)單的層級(jí)結(jié)構(gòu)就產(chǎn)生了，，并且這個(gè)層級(jí)結(jié)構(gòu)完全對(duì)應(yīng)于文本描述的XML結(jié)構(gòu)。(圖2.4)當(dāng)讀入一個(gè)新的訓(xùn)練實(shí)例時(shí)，學(xué)習(xí)層級(jí)結(jié)構(gòu)對(duì)自身進(jìn)行擴(kuò)展以容納之前沒(méi)有出現(xiàn)的新元素。假設(shè)第二個(gè)習(xí)11練實(shí)例的“description”元素含有“stems”元素。當(dāng)“deseription”節(jié)點(diǎn)通過(guò)
【學(xué)位授予單位】：華東師范大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2011
【分類(lèi)號(hào)】：G350

【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 柳回春,馬樹(shù)元,吳平東,楊峰,曾興生,畢路拯;UK心理測(cè)試自動(dòng)分析系統(tǒng)的手寫(xiě)體數(shù)字識(shí)別[J];北京理工大學(xué)學(xué)報(bào);2002年05期

2 高學(xué),金連文,尹俊勛,黃建成;一種基于支持向量機(jī)的手寫(xiě)漢字識(shí)別方法[J];電子學(xué)報(bào);2002年05期

3 張曙紅,張金隆,陳德軍;面向電子商務(wù)的客戶(hù)關(guān)系管理數(shù)據(jù)挖掘模型研究[J];工業(yè)工程與管理;2004年04期

4 凌旭峰,楊杰,葉晨洲;基于支撐向量機(jī)的人臉識(shí)別技術(shù)[J];紅外與激光工程;2001年05期

5 劉學(xué)軍,陳松燦,彭宏京;基于支持向量機(jī)的計(jì)算機(jī)鍵盤(pán)用戶(hù)身份驗(yàn)真[J];計(jì)算機(jī)研究與發(fā)展;2002年09期

6 張曉東;;支持向量機(jī)在肺癌生存期預(yù)測(cè)中的應(yīng)用分析[J];計(jì)算機(jī)工程與應(yīng)用;2007年18期

7 忻棟,楊瑩春,吳朝暉;基于SVM-HMM混合模型的說(shuō)話(huà)人確認(rèn)[J];計(jì)算機(jī)輔助設(shè)計(jì)與圖形學(xué)學(xué)報(bào);2002年11期

8 王宏漫,歐宗瑛;采用PCA/ICA特征和SVM分類(lèi)的人臉識(shí)別[J];計(jì)算機(jī)輔助設(shè)計(jì)與圖形學(xué)學(xué)報(bào);2003年04期

9 馬勇,丁曉青;基于層次型支持向量機(jī)的人臉檢測(cè)[J];清華大學(xué)學(xué)報(bào)(自然科學(xué)版);2003年01期

10 葉航軍,白雪生,徐光yP;基于支持向量機(jī)的人臉姿態(tài)判定[J];清華大學(xué)學(xué)報(bào)(自然科學(xué)版);2003年01期

相關(guān)碩士學(xué)位論文 前1條

1 黃浩煒;SVM與基于轉(zhuǎn)換的錯(cuò)誤驅(qū)動(dòng)學(xué)習(xí)方法相結(jié)合的生物實(shí)體識(shí)別[D];國(guó)防科學(xué)技術(shù)大學(xué);2008年

本文編號(hào)：2688264