11.2.3属性和属性值抽取
属性抽取的任务是为每个本体语义类构造属性列表（如城市的属性包括面积、人口、所在国家、地理位置等），而属性值抽取则是为一个语义类的实体附加属性值。属性和属性值的抽取能够形成完整实体概念的知识图谱维度。常见的属性和属性值抽取方法包括从百科类站点中提取、从垂直网站中进行包装器归纳、从网页表格中提取以及利用手工定义或自动生成的模式从句子和查询日志中提取。常见的语义类/实体的常见属性/属性值可以通过解析百科类站点中的半结构化信息（如维基百科的信息盒和百度百科的属性表格）而获得。尽管通过这种简单的手段能够得到高质量的属性，但同时需要采用其他方法来增加覆盖率（为语义类增加更多属性以及为更多的实体添加属性值）。
垂直网站（如电子产品网站、图书网站、电影网站、音乐网站）包含大量实体的属性信息。例如，图书介绍的网页中包含图书的作者、出版社、出版时间、评分等信息。通过基于一定规则模板建立，便可以从垂直站点中生成包装器（或称为模板），并根据包装器来提取属性信息。从包装器生成的自动化程度来看，这些方法可以分为手工法（手工编写包装器）、监督方法、半监督法以及无监督法。考虑到需要从大量不同的网站中提取信息，并且网站模板可能会更新等因素，无监督包装器归纳方法显得更加重要和现实。无监督包装器归纳的基本思路是利用对同一个网站下面多个网页的超文本标签树的对比来生成模板。简单来看，不同网页的公共部分往往对应于模板或者属性名，不同的部分则可能是属性值，而同一个网页中重复的标签块则预示着重复的记录。
属性抽取的另一个信息源是网页表格。表格的内容对于人来说一目了然，而对于机器而言，情况则要复杂得多。由于表格类型千差万别，很多表格制作得不规则，加上机器缺乏人所具有的背景知识等原因，从网页表格中提取高质量的属性信息成为挑战。
上述三种方法的共同点是通过挖掘原始数据中的半结构化信息来获取属性和属性值。与通过“阅读”句子来进行信息抽取的方法相比，这些方法绕开了自然语言理解这样一个“硬骨头”，而试图达到以柔克刚的效果。在现阶段，计算机知识库中的大多数属性值确实是通过上述方法获得的。但现实情况是只有一部分的人类知识是以半结构化形式体现的，而更多的知识则隐藏在自然语言句子中，因此直接从句子中抽取信息成为进一步提高知识库覆盖率的关键。当前，从句子和查询日志中提取属性和属性值的基本手段是模式匹配和对自然语言的浅层处理。整个方法是一个在句子中进行模式匹配而生成（语义类，属性）关系图的无监督的知识提取过程。此过程分两个步骤，第一个步骤通过将输入的模式作用到句子上而生成一些（词，属性）元组，这些数据元组在第二个步骤中根据语义类进行合并而生成（语义类，属性）关系图。在输入中包含种子列表或者语义类相关模式的情况下（比如（北京，面积）），整个方法是一个半监督的自举过程，分为以下三个步骤。
(1）模式生成：在句子中匹配种子列表中的词和属性从而生成模式。模式通常由词和属性的环境信息而生成。
(2)模式匹配。
(3）模式评价与选择：通过生成的（语义类，属性）关系图对自动生成的模式的质量进
第11章 知识图谱
381