[發明專利]一種用于Web對象信息抽取的增強約束條件隨機場模型

在審

• 申請號: 201410126652.X
• 申請日: 2014-03-31
• 公開（公告）號: CN103870596A
• 公開（公告）日: 2014-06-18
• 發明（設計）人: 梁久禎;黃彥姣
• 申請（專利權）人: 江南大學
• 主分類號: G06F17/30
• 分類號: G06F17/30
• 代理公司: 暫無信息
• 代理人: 暫無信息

【技術領域】

本發明涉及網頁信息抽取領域，特別涉及一種用于Web對象信息抽取的增強約束條件隨機場模型。

【背景技術】

互聯網是全球規模最大、門類最全的信息共享平臺，它涵蓋了各個領域的大量有價值的信息。信息抽取技術的本質是從網頁的半結構或無結構的信息中抽取出用戶感興趣的信息，并將其轉化為結構更加合理、語義更加清晰的格式。比如可以從美食餐飲網頁中抽取飯店的名字、地址、電話、平均消費等信息，并將這些信息以結構化的方式存儲到數據庫中，進而滿足人們對美食領域相關信息的搜索需求。

近年來，統計學習(又稱統計機器學習)方法成為信息抽取領域中常用的方法，主要的統計模型有隱馬爾可夫模型(Hidden?Markov?Models，HMM)、最大熵模型Maximum?Entropy，ME)、條件隨機場模型(Conditional?Random?Fields，CRFs)等。

不幸的是，隱馬爾可夫模型可用來描述一個隱含未知參數的馬爾可夫過程，但它具有產生式模型的局限性，不能反映訓練數據本身的特性。最大熵模型(中每個狀態都有一個指數模型作為下一個狀態的條件概率，但存在標簽偏置問題。條件隨機場模型在處理序列數據分割與標注問題上顯示出了良好的性能。與CRFs相比，層次條件隨機場模型(Hierarchical?Conditional?Random?Fields，HCRFs)能更好的適應網頁數據的層次結構。但是，該模型對Web對象元素之間的條件依賴關系沒有良好的適應。約束條件隨機場模型(Constrained?Conditional?Random?Fields，CCRFs)，將某些類型的約束條件引入條件隨機場中，但是這些約束僅限于強制標注某些特定的數據元素是否為某些特定標簽，不能充分的利用Web數據元素和標注屬性之間強烈的特征關系。

【發明內容】

為了克服上述現有的統計模型存在的不足，本發明一種用于Web信息抽取的增強約束條件隨機場模型，能夠改進一般現有的統計模型的不足，使其能有效地解決Web對象信息抽取問題。

本發明的目的在于提供一種用于Web信息抽取的增強約束條件隨機場模型，準確地求出標注序列的概率分布，并利用概率分布的計算結果得到輸出序列，提高Web信息屬性標注的正確率。

為了達到本發明的目的，根據本發明的一個方面，本發明提供一種增強約束條件隨機場模型，該模型將可信約束條件c引入條件隨機場形成約束條件隨機場，并利用增強因子b對約束條件隨機場進行增強，計算出標注序列Y的概率分布p(Y|X，c)。

在給定觀測序列X=(X₁，X₂，...，X_n)和約束c的條件下，標注序列為Y=(Y₁，Y₂，...，Y_n)的正確率測度A(Y，Y_r)表示狀態標注序列Y中標注正確的元素個數，可通過計算每個元素正確率A_i(Y)之和而得到，A_i(Y)表示為：

利用大間隔思想將增強因子b，與正確率測度A(Y，Y_r)引入概率分布的計算能夠有效地提高模型屬性標注的正確率。

進一步的，歸一化因子Z(X_r，c)可以在所有可能的輸出序列Y上求和得到，即