郑轶�k

摘要：近年来，信息抽取成为自然语言处理的一个热点，同时也是难点。针对不同的问题，大家提出了不同的方法，而大多数的方法是基于启发式规则或者抽象成分类问题，本文将从人物百科中抽取人物信息看成是一个序列标注的问题，利用条件随机场对生语料进行序列标注。此外，文中详细介绍数据分析的方法以及特征选取方法，所提出的方法直接从生语料中抽取，节省了大部分方法的数据预处理部分，同时避开了大部分方法使用的句法分析的特征，有效地提高了信息抽取的效率。在文章的最后做了两组对比实验，实验结果表明，本方法能够非常准确地从HTML生语料中抽取出人物信息。

关键词：CRFs；人物；人物信息；信息抽取

中图分类号：TP391.1文献标识码：A

1引言

随着互联网的不断发展，每天网络中产生的信息越来越多，各种信息也呈爆炸式增长。而如何有效的从网络中抽取出我们感兴趣的信息，则显得非常重要了。

传统的信息抽取方法一般来说分为两类：基于无监督的启发式规则进行抽取，和基于机器学习方法进行有监督的信息抽取。其过程一般是定义一个清晰的信息抽取需求，然后分析所要处理语料的数据格式，再选择合适的方法进行信息抽取。

为了从大规模的信息中抽取出所需要的信息，以及促进信息抽取的发展，美国华盛顿大学图灵中心（University of Washington Turing Center）提出开放信息抽取（Open Information Extraction），这一理念也被称为“新型抽取范式”的一种知识抽取方法[1]。……