海量Web数据中命名实体及相互关系提取与分析的模型和算法研究

关于Web数据的挖掘有三个主要方向。一是面向商业智能的网站日志挖掘，二是面向复杂系统研究的Web结构挖掘，三是面向社会信息分析的网页内容挖掘，本课题属于第三类。在这一方面，大致有两种做法。一是利用信息提取的方法和技术，试图精细地得到所需信息，二是利用Web信息大量冗余及相互链接的特点，试图高效、批量地得到所需的结果，本课题属于后者。具体来说，我们希望以四类命名实体（人物，机构，时间，地点）为出发点，发现实体及其属性，以及它们之间的种种关系，并试图将网络世界中发现的现象与现实世界相对照，以评估其异同。作为课题具体目标，我们将提出描述互联网中命名实体及其关系的模型，发展若干高效、大批量发现它们的算法，探索将网络信息分析得到的结论与现实世界情形进行对比的方法。作为课题追求的成果，除了对应上述目标的相关研究论文发表外，我们还将得到中国Web中出现的实体集合，实体关系列表等基础数据，以支持后续研究。