[论文解读] Ontology-driven Information Extraction

Weronika T. Adrian, Nicola Leone+1 more|arXiv (Cornell University)|Dec 18, 2015

Semantic Web and Ontologies参考文献 8被引用 6

一句话总结

本文提出 KnowRex，一种基于本体的信息抽取系统，通过两阶段设计/运行时架构，将同质非结构化文档（如 Europass 风格简历）转换为语义丰富、机器可处理的数据。通过整合逻辑编程、表格识别与语义标注器，KnowRex 实现了高精度的结构化知识抽取，支持基于技能的简历筛选任务，在初始测试数据上达到 80% 的成功率。

ABSTRACT

Homogeneous unstructured data (HUD) are collections of unstructured documents that share common properties, such as similar layout, common file format, or common domain of values. Building on such properties, it would be desirable to automatically process HUD to access the main information through a semantic layer -- typically an ontology -- called semantic view. Hence, we propose an ontology-based approach for extracting semantically rich information from HUD, by integrating and extending recent technologies and results from the fields of classical information extraction, table recognition, ontologies, text annotation, and logic programming. Moreover, we design and implement a system, named KnowRex, that has been successfully applied to curriculum vitae in the Europass style to offer a semantic view of them, and be able, for example, to select those which exhibit required skills.

研究动机与目标

• 解决从同质非结构化数据（HUD）中提取语义有意义信息的挑战，例如基于 PDF 的简历，尽管人类可读，但机器难以处理。
• 设计一种系统，提供统一的、基于本体的 HUD 语义视图，将数据原始结构与预期的语义组织相分离。
• 将命名实体识别、表格解析、逻辑编程与本体建模等多种技术整合为一个连贯、可扩展的框架，以实现可扩展的信息抽取。
• 支持实际应用场景，如基于所需技能的简历语义搜索与筛选，证明系统在现实世界知识管理中的实用性。

提出的方法

• 系统分为两个阶段运行：设计阶段，用户定义目标本体模式、对象模型与语义描述符；运行时阶段，使用这些规范处理文档。
• 通过二维网格分割工具（如 Quablo）分析文档结构，识别单元格与标记位置，支持对文本布局的空间推理。
• 应用语义标注器（如 StanfordNER、DBpedia Spotlight）识别命名实体，结果以逻辑事实形式存储于 OntoDLP 中，包含位置元数据（onePosition、biPosition）。
• 语义描述符以有限自动机形式建模为逻辑规则，遍历文档的标记与单元格结构，识别模式并创建新的语义对象。
• 映射规则将中间对象模型（在 OntoDLP 中）转换为目标语义视图本体的实例，确保与期望模式对齐。
• 整个流水线由形式逻辑驱动，支持精确、可追溯且可组合的抽取，具备处理复杂约束（如“邮件地址必须位于同一单元格中的标签之后”）的能力。

实验结果

研究问题

• RQ1 如何设计一种统一的、基于本体的方法，从同质非结构化文档（如 Europass 简历）中提取语义丰富的信息？
• RQ2 逻辑编程与语义描述符在多大程度上能够建模复杂抽取模式，同时保持精度与模块化？
• RQ3 在处理真实世界 HUD 时，主要瓶颈是什么？如何通过规则驱动方法与第三方标注器的混合集成来缓解？
• RQ4 仅通过语义与空间约束，系统能否在布局多变的 PDF 文档中实现高召回率与高精度的结构化知识抽取？

主要发现

• KnowRex 的设计阶段耗时约两人周，表明其在真实世界部署中具备可行的配置时间。
• 初始配置下，Quablo（二维结构识别工具）成功处理了约 50% 的 80 份测试 Europass 风格简历。
• 在进行少量配置调整（如边距容差调优）后，额外 20% 的文档也达到了令人满意的结果。
• 语义标注器的精度较高，尽管召回率有时偏低，可通过调优基于词典的标注器进行补偿。
• 语义描述符与映射的逻辑规则按预期工作，未出现精度损失，证明了在对象创建与模式映射中的可靠性。
• 系统展现出足够的模块化与灵活性，可适配多种 HUD 场景，不仅限于简历，支持在不同文档类型与领域中的复用。