【摘要】：信息抽取(Information Extraction)的核心在于識別和提取文檔中用戶感興趣的數(shù)據(jù),并以更為結(jié)構(gòu)化、語義更為清晰的形式表示,為用戶查詢數(shù)據(jù)、應(yīng)用程序利用數(shù)據(jù)提供便利。近年來國內(nèi)外已有多位研究者面向各個領(lǐng)域開展信息抽取研究并獲得一定成效。 介于日益嚴(yán)峻的環(huán)境問題對生態(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,相關(guān)文檔應(yīng)為首要進(jìn)行信息組織和利用的對象。然而分類學(xué)描述通常采用自然語言,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),已有多個機(jī)構(gòu)及研究者試圖傳統(tǒng)格式的分類描述文本轉(zhuǎn)化成新的數(shù)字格式(XML或RDF),試圖為基于語義的信息組織和利用奠定基礎(chǔ)。其中cui等設(shè)計開發(fā)的MARTT系統(tǒng)實現(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,選用中國植物志中的物種分類學(xué)描述為數(shù)據(jù)集,設(shè)計實現(xiàn)了針對生物多樣性中文文檔的語義標(biāo)注系統(tǒng)。文章主要包含了五個部分的內(nèi)容： (1)數(shù)據(jù)集的獲取與XML標(biāo)引,本文設(shè)計了植物分類學(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,本文通過對比不同中文分詞軟件的分詞效果,選用最合適研究中語詞切分的相關(guān)軟件。 (3)標(biāo)注算法的構(gòu)建。本文設(shè)計實現(xiàn)了適用于中文植物分類學(xué)文檔的機(jī)器學(xué)習(xí)算法,用于實現(xiàn)語義標(biāo)注。 (4)對比研究平臺的搭建。本文采用LIBSVM軟件包,運用支持向量機(jī)算法對文檔進(jìn)行了分類測試。 (5)標(biāo)注效果的評估。本文將數(shù)據(jù)集合區(qū)分為訓(xùn)練集合和測試集合,運用從訓(xùn)練集合獲知的標(biāo)注規(guī)則對測試集合進(jìn)行標(biāo)注。通過標(biāo)注準(zhǔn)確率對標(biāo)注結(jié)果進(jìn)行評估。評估結(jié)果顯示,系統(tǒng)基本完成了對描述文檔主要結(jié)構(gòu)的標(biāo)注,對個別元素的標(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)的語義標(biāo)注應(yīng)用于植物分類學(xué)文檔是十分有意義的。首先選用《中國植物志》作為數(shù)據(jù)集來源具有較強(qiáng)的現(xiàn)實意義和潛在的應(yīng)用價值,其次語義標(biāo)注為基于語義的信息組織與利用研究的基礎(chǔ)和核心內(nèi)容,語義標(biāo)注工作完成后,能夠在此基礎(chǔ)上開展XML結(jié)構(gòu)化檢索、聯(lián)合搜索等信息創(chuàng)新用法。最后,該項工作對生物學(xué)和生態(tài)學(xué)研究起到一定的支持作用,對于其他領(lǐng)域相關(guān)研究的開展也具有極其現(xiàn)實的借鑒價值。 本文初步地對系統(tǒng)的幾個重要部分進(jìn)行了介紹并提出了解決問題的方法,并對各部分進(jìn)行了實現(xiàn)。研究還需在數(shù)據(jù)集合的豐富、標(biāo)引工作的簡化、標(biāo)引結(jié)構(gòu)的優(yōu)化、系統(tǒng)的通用性實現(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)練實例中快速獲取層級結(jié)構(gòu)，該結(jié)構(gòu)將用于之后的標(biāo)注。為了展示這個過程，以圖2.3為例展開陳述。首先，學(xué)習(xí)層級設(shè)有一個根節(jié)點“deseription”。當(dāng)X人4L文本被讀入至根節(jié)點時，根節(jié)點在“Dese找ption”中發(fā)現(xiàn)5個元素(即“plant一habit一and一life一style”、“l(fā)eaves”、“nowers”“加its”、和“SeedS”)，從而創(chuàng)建5個子節(jié)點，將每個元素的內(nèi)容分配至相應(yīng)的節(jié)點中，例如新創(chuàng)建的子節(jié)點“nowers”獲取有關(guān)花的描述文本。每個子節(jié)點會繼續(xù)讀取它所獲得的內(nèi)容，如果需要，創(chuàng)建新的子節(jié)點以容納新的元素。例如，子節(jié)點“flowers”為“braet”和“eal林”元素創(chuàng)建它的兩個子節(jié)點(“苞片，，和“花警”)。這個過程將持續(xù)進(jìn)行直至每個分支都到達(dá)終端元素。， 9eui

圖2.3訓(xùn)練集合實例學(xué)習(xí)模塊對XML文本進(jìn)行處理后，一個簡單的層級結(jié)構(gòu)就產(chǎn)生了，，并且這個層級結(jié)構(gòu)完全對應(yīng)于文本描述的XML結(jié)構(gòu)。(圖2.4)當(dāng)讀入一個新的訓(xùn)練實例時，學(xué)習(xí)層級結(jié)構(gòu)對自身進(jìn)行擴(kuò)展以容納之前沒有出現(xiàn)的新元素。假設(shè)第二個習(xí)11練實例的“description”元素含有“stems”元素。當(dāng)“deseription”節(jié)點通過
【學(xué)位授予單位】：華東師范大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2011
【分類號】：G350

【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 柳回春,馬樹元,吳平東,楊峰,曾興生,畢路拯;UK心理測試自動分析系統(tǒng)的手寫體數(shù)字識別[J];北京理工大學(xué)學(xué)報;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)的手寫漢字識別方法[J];電子學(xué)報;2002年05期

3 張曙紅,張金隆,陳德軍;面向電子商務(wù)的客戶關(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)的計算機(jī)鍵盤用戶身份驗真[J];計算機(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)測中的應(yīng)用分析[J];計算機(jī)工程與應(yīng)用;2007年18期

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

8 王宏漫,歐宗瑛;采用PCA/ICA特征和SVM分類的人臉識別[J];計算機(jī)輔助設(shè)計與圖形學(xué)學(xué)報;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[J];清華大學(xué)學(xué)報(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(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)換的錯誤驅(qū)動學(xué)習(xí)方法相結(jié)合的生物實體識別[D];國防科學(xué)技術(shù)大學(xué);2008年

本文編號：2688264