文本标注的数据库表达及应用

论文摘要

词典普遍被作为一种含有大量语言学知识、常识知识的知识库。传统英语词典中一般包含词形、词性、词义、例句、习语、各种语法语用说明以及出处、领域等注解。从传统词典中提取出这些语言词汇知识并加以结构化存储,使词典中的知识利于计算机使用和处理,将有利于促进语言学、自然语言处理、机器翻译和知识工程等相关领域的研究,同时有利于语言教学。现有的纸版词典是面向人类读者,而非计算机的。其基本存储格式为文本格式。虽然词典的排版遵循一定的规则,但由于是给人阅读的,其中也存在相当多的随意性。其中很多部分之间的界限并不明显,对于计算机自动解析具有相当的困难。对词典文本信息的抽取取决于文本中文本信息实体的识别和标注。本文提出一种文本标注的数据库表达方法,将文本实体特征信息和标注结果表达在数据库中,从而使特征信息参数化。并提出文本信息标注的基本方法为依据文本信息实体的特征标记和标记序列组合特征以及实体间关系来识别和标注实体。这样使文本标注的通用性增强,有利于标注结构类似的其他词典文本。首先,本文分析了文本标注领域的相关概念和概念之间的关系,给出了文本标注的通用数据库表达方法。然后,本文以《牛津高阶英汉双解词典(第四版)》(简称OALD4)文本的标注与信息抽取为应用,详细阐述了基于文本标注的数据库表达方法的OALD4文本标注与信息提取系统的分析、设计与实现。最后,对本文的工作进行了总结和展望。提出需要进一步研究的工作和改进的建议。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 课题来源
• 1.2 课题背景
• 1.3 本文主要工作
• 1.4 本文结构
• 第二章 相关理论与技术
• 2.1 语料库与机读词典
• 2.1.1 语料库
• 2.1.2 机读词典与词汇知识库
• 2.2 本体论
• 2.2.1 本体论的起源与发展
• 2.2.2 本体的定义
• 2.2.3 本体的分类
• 2.3 文本标注与信息抽取
• 2.3.1 文本标注
• 2.3.2 信息抽取
• 2.4 正则表达式技术
• 2.5 小结
• 第三章 文本标注的数据库表达方法
• 3.1 文本标注领域本体分析
• 3.2 文本标注在关系数据库中的表达
• 3.3 小结
• 第四章 OALD4文本标注与信息提取系统的系统分析
• 4.1 需求分析
• 4.1.1 功能需求分析
• 4.1.2 可用性与性能需求分析
• 4.1.3 可扩展性与可复用性需求分析
• 4.2 OALD4应用本体分析
• 4.2.1 OALD4文本信息实体类型分析
• 4.2.2 OALD4文本信息实体关系分析
• 4.3 OALD4实体文本标记特征分析
• 4.4 OALD4中随意性文本结构与错误文本特征分析
• 4.5 小结
• 第五章 OALD4文本标注与信息提取系统的设计与实现
• 5.1 系统的总体设计
• 5.1.1 系统的总体架构
• 5.1.2 文本标注的总体流程
• 5.2 数据模型设计
• 5.2.1 文本标注的数据模型设计
• 5.2.2 信息提取结果的数据库存储
• 5.3 文本标注的递归算法设计
• 5.3.1 文本标注递归算法的主要数据结构
• 5.3.2 文本标注递归算法的核心思想
• 5.3.3 文本标注递归算法流程
• 5.3.4 中英文切分方法
• 5.3.5 实例说明
• 5.4 存储显示转换算法与文本提取算法
• 5.4.1 XML显示与关系数据库存储的相互转换算法
• 5.4.2 文本提取算法
• 5.5 人机界面的设计与实现
• 5.5.1 总体界面设计
• 5.5.2 主要界面的详细设计与实现
• 5.6 实验结果分析
• 5.7 小结
• 第六章 总结与展望
• 6.1 总结
• 6.2 展望
• 参考文献
• 致谢