本体导向的大规模语义信息声明式抽取方法研究

Extracting semantic information from large-scale unstructured data plays a fundamental role in building various kinds of semantic information services. To carry out extraction tasks through typical methods in data management, such as declarative query, is the new trend in related fields. However, current studies often lack an appropriate semantic data model as the basis of data query. This lack leads to the gap between semantic information processing and semantic data structure during extraction, hampers the mergence of the data management and the information extraction methods, and hinders the efficient solutions to large-scale information extraction. In this proposal, we will design a semantic data model oriented to information extraction, which can depict the features of multi-layered, multi-faceted, and polysemous data semantics during information extraction. Based on the data model, we will deploy patterns representing data features to extract related data elements, and design a declarative query language based on the patterns to present information extraction tasks. And we will study the query processing algebra and optimization methods for the information extraction queries. Further, we will establish the ontology mapping mechanisms based on the language and propose an extraction policy based on analyzing the importance of concepts in ontology, and then use them to realize the ontology-oriented semi-automatic information extraction for large scale data. This research is of high theoretical value because it will embody the characteristics of information extraction with the data semantics evolution view point, specify the extraction requests by summarizing the data features, carry out the extraction calculation through data query processing, and drive the extraction tasks using ontology information. It also has a broad application since it will construct practical information extraction system and implement the methods during research.

大规模数据的语义信息抽取是构建各类语义信息服务的基础。利用以声明式查询为代表的数据管理方法实现信息抽取则是当前相关领域的前沿研究课题。然而现有研究缺乏合适的语义数据模型作为支撑，导致抽取过程中语义信息处理与语义数据结构割裂，阻碍了数据管理方法与信息抽取技术的深度融合，不利于实现大规模信息抽取任务。为此，本项目将设计面向信息抽取的语义数据模型，以合理一致的形式反映数据语义在抽取过程中呈现的多层次、多刻面、多义等特征；利用能归纳数据特征的抽取模式设计声明式查询语言以表现抽取需求，并研究相应的适于语义信息抽取的处理代数和优化方法；通过本体概念映射和重要度分析设计信息抽取策略，实现本体导向的大规模语义信息的半自动抽取。该研究能从语义演化角度体现抽取特点，通过数据特征归纳刻画抽取需求，基于查询处理实现抽取计算，利用本体信息驱动抽取任务，构建实用系统验证抽取方法，具有较强的理论价值与广阔的应用前景。

当前各行业领域普遍存在大量的非结构化文本数据需要抽取出结构化语义信息并进行管理。如何构建适应大规模领域数据的语义信息抽取系统成为一个具有较强理论价值和广阔应用前景的研究问题。本项目从语义数据建模角度出发，探讨了利用基于合适的语义数据模型设计类本体的语义规则以描述目标语义信息模式，利用声明式语义查询语言来描述语义信息抽取计算需求，利用语义数据的组织与查询处理机制来实现大规模语义信息抽取计算的基础理论框架。本项目对前期研究成果进行拓展，研究并建立了基于树图结构的语义数据模型，这些模型能够较好的反映事物的多刻面、多层次的语义特征，并能够与以半结构化文档数据为载体的语义信息较好的结合。着重研究了对树状半结构化语义数据进行声明式语义查询的表示方法和语义模式的映射机制，利用支持合取和析取模式的逻辑树结构扩展了以XML文档为代表的半结构化数据模式，并设计了相应的逻辑树模式映射机制和树状半结构化文档查询语言。同时，研究了面向大规模树状结构数据利用压缩位图的物化视图进行查询优化的相关机制，该方法通过对解答查询的物化视图进行归纳，找到一组最优视图集合来加速查询执行效率。此外，探讨了当前文本信息抽取技术的相关热点问题，着重研究了短文本中的主题信息抽取、特征抽取问题，采用两阶段随机行走方法改进视角聚类以归纳LDA方法获得的主题信息，对大规模数据流能够有效和准确地揭示核心主题的内在特点并能预测其发展趋势。同时开展了利用短文本特征抽取和分类机制进行作者身份分类识别的研究，利用文本词汇、句法特征分析以及概念类关联扩展等机制，有效地识别了社会媒体短文本的作者年龄、性别等身份。本项目从大规模语义信息抽取的实际需求出发，在语义建模、声明式抽取表现、语义查询优化、信息抽取关键技术等多个方面取得了较好的理论研究成果。同时构建了语义信息抽取的原型系统和工具并在相关行业推广应用，取得了较好的社会与经济效益。

内容获取失败，请点击重试