- 1、本文档共7页,可阅读全部内容。
- 2、原创力文档(book118)网站文档一经付费(服务费),不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
- 3、本站所有内容均由合作方或网友上传,本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺!文档内容仅供研究参考,付费前请自行鉴别。如您付费,意味着您自己接受本站规则且自行承担风险,本站不退款、不进行额外附加服务;查看《如何避免下载的几个坑》。如果您已付费下载过本站文档,您可以点击 这里二次下载。
- 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“版权申诉”(推荐),也可以打举报电话:400-050-0827(电话支持时间:9:00-18:30)。
查看更多
dbpedia学习笔记
DBpedia 学习笔记
By Nancy Liu
一. 概述
1. DBpedia 产生动机:由于Wikipedia 固有结构的限制,使得一些查询无法实现,如“流过莱茵
河的所有河”,“意大利 18 世纪之后的作曲家”。DBpedia 从Wikipedia 中抽取结构化的信息,
并建立语义网络。
2. DBpedia 项目开始时间,2006 年。
3. 本文将从 DBpedia 的知识抽取框架、DBpedia 本体、DBpedia 与 Linked Data 三个方面来介绍
DBpedia.
二. 抽取框架
1. 整体框架
a) 输入:一种是Wikipedia 仓库,一种是MediaWiki 提供的API 。
b) 解析:将Wikipedia 中获取的源码转换为抽象语法树。
c) 抽取:每一个 Wikipedia 的页面就是一个抽象语法树,对这个抽象语法树进行信息抽取,
比如标签、摘要、地理坐标等。每一个抽取都利用一个抽象语法树,并生成一系列 RDF
声明。
d) 输出:将得到的RDF 声明写入槽。
下图示意了DBpedia 的抽取框架:
2. 抽取器
DBpedia 抽取的内容主要来自Wikipedia 的信息框以及页面中的标记。
其中通常位于右上角的信息框又称为DBpedia 最主要抽取的对象。
如搜索”ford”. (如下图)这个信息框可以提供结构化的信息。
DBpedia 的抽取器可以分为以下四类:
a) 基于映射的信息框抽取器
解决的问题是从infoBox 提取数据映射到ontology.
infoBox 即Wikipedia 中右上角的框,ontology 对应的是DBpedia
中的本体。
b) 信息框“生”信息抽取
解决的问题是从infoBox 提取数据直接存到RDF.
即将infoBox 中的属性-值对存放至 RDF 中,这种方式产生的
数据语义并不丰富,质量还有待提高。
c) 特征提取
特征提取是利用一些抽取器将某一个确定的特征从Wikipedia
的一篇文章(也可以理解为一个网页,不限于infobox )中抽
取出来,比如抽取一个坐标或者标签。
d) 统计的抽取
一些自然语言处理相关的抽取器,将所有Wikipedia 的页面中
的数据汇总起来,使能够提供一些统计值,比如页面链接数
量、词数。
3. 信息框“生”信息抽取
直接将信息框数据存入RDF 数据。
如下图所示:
可以发现生成的 RDF 有两个问题:一个是资源无法关联到相关类别;二是对于 engine ,
production 这样的属性,语义并不明确。这也是为什么需要一个基于映射的信息框抽取。
4. 基于映射的信息框抽取
由于信息框的多样性以及上文所讨论的,“生”数据质量有待提高,基于映射的信息框抽取被
提出。
它完成了将一个Infobox 对应到一个DBpedia 的本体(ontology)中。其中Infobox 的属性对应了
ontology 的属性。
比如一个映射如下:
上面的映射的例子中,将infobox 的时间对应到了开始时间和结束时间,将infobox 中的engine
对应到了排放量和功率两个值,这样就可以更加准确、具有语义的将Infobox 的信息映射出来。
得到了新的RDF 节点如下:
DBpedia 的基于映射抽取器为了实现映射的准确性和实时性,允许用户新建和编辑,和
Wikipedia 的开发性相“映射”。
DBpedia 同时提供了三个工具,分别是映射检验器、抽取测试器、映射工具,供用户使用。
5. URI 模式
对于每一个Wikipedia 中的文章,将会有一些URI 与之对应。
在DBpedia 中主要有三个命名空间:
/resource/:与Wikipedia 中的网页一一对应。
/resource/:与infobox 中的属性一一对应。
/reso
文档评论(0)