基于文本挖掘的實體搜索的研究.pdf

1、網(wǎng)絡搜索的研究是當前計算機科學領域研究的熱點與前沿，研究重點逐漸從原始的關鍵字搜索趨向于更加智能更加復雜的高級搜索，如實體搜索領域。在實體搜索中，輸入為一個關鍵字或語句查詢(如“信息檢索”、“網(wǎng)絡協(xié)議”)，輸出為一系列與此查詢相關的實體的列表(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的實體。備選實體排序，即基于和查詢的相關性，將這些被選答案進行排序，并將排序結果作為搜索結果反饋給用戶。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系，即文本和實體之間的關系，以合理的方式結合在一起，以得到最終查詢結果；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