（5）使用Lucene、LingPipe做实体链接（Entity Linking）——使用Lucene构建歧义实体映射index、歧义实体上下文index
史同化
使用Lucene构建歧义实体映射index：
/*
* we need run this file as "Java Application" before this system is built
*/
//http://lucene.apache.org/core/5_3_1/demo/overview-summary.html#overview_description
public class LuceneEntityAmbiguationIndex {
public static void main(String[] args) throws Exception
{
boolean create=true;
//String docsPath="E:\\LuceneDocument\\disambiguations_preprocessing(file_contents_examples).txt";
String docsPath="E:\\LuceneDocument\\disambiguations_preprocessing.txt";
String indexPath="E:\\LuceneEntityAmbiguationIndex";
final Path docDir = Paths.get(docsPath);
if (!Files.isReadable(docDir))
{
System.out.println("Document directory '" +docDir.toAbsolutePath()+ "' does not exist or is not readable");
System.exit(1);
}
//Directory这个类代表了Lucene的索引的存储的位置，这是一个抽象类，它目前有两个实现:
//第一个是FSDirectory，它表示一个存储在文件系统中的索引的位置,
//第二个是RAMDirectory，它表示一个存储在内存当中的索引的位置。
Directory directory = FSDirectory.open(Paths.get(indexPath));
//在一个文档被索引之前，首先需要对文档内容进行分词处理，这部分工作就是由 Analyzer来做的。
//Analyzer类是一个抽象类，它有多个实现。针对不同的语言和应用需要选择适合的 Analyzer。
//Analyzer把分词后的内容交给 IndexWriter来建立索引。
Analyzer analyzer = new StandardAnalyzer();
IndexWriterConfig indexWriterConfig = new IndexWriterConfig(analyzer);
//IndexWriter是Lucene用来创建索引的一个核心的类，他的作用是把一个个的Document对象加到索引中来。
IndexWriter indexWriter = new IndexWriter(directory, indexWriterConfig);
if(create)
{
indexWriterConfig.setOpenMode(OpenMode.CREATE);
}
else
{
indexWriterConfig.setOpenMode(OpenMode.CREATE_OR_APPEND);
}
IndexDocs(indexWriter, docDir);
indexWriter.close();
}
static void IndexDocs(final IndexWriter writer, Path path) throws IOException
{
if(Files.isDirectory(path))
{
Files.walkFileTree(path, new SimpleFileVisitor<Path>(){
@Override
public FileVisitResult visitFile(Path file, BasicFileAttributes attrs) throws IOException
{
try
{
IndexDoc(writer, file);
}
catch(IOException ignore)
{
//don't index files that can't be read.
}
return FileVisitResult.CONTINUE;
}
});
}
else
{
IndexDoc(writer, path);
}
}
public static void IndexDoc(IndexWriter writer, Path file) throws IOException
{
try(InputStream stream=Files.newInputStream(file))
{
FileReader fr=new FileReader(file.toString());
BufferedReader br=new BufferedReader(fr);
String line=null,entity=null,ambiguationEntitys=null;
line=br.readLine(); //skip the first line
while ((line=br.readLine())!=null) {
entity=line.split("=>")[0];
ambiguationEntitys=line.split("=>")[1];
//Document是用来描述文档的，这里的文档可以指一个 HTML 页面，一封电子邮件，或者是一个文本文件。
//一个 Document对象由多个 Field对象组成的。
//可以把一个Document对象想象成数据库中的一个记录，而每个 Field对象就是记录的一个字段。
Document document=new Document();
//System.out.println(entity);
//Field对象是用来描述一个文档的某个属性的，比如一封电子邮件的标题和内容可以用两个 Field对象分别描述。
Field entityField=new StringField("entity", entity.toLowerCase(), Field.Store.YES); //lucene内容按小写存储
document.add(entityField);
//Add the contents of the file to a field named "contents".
document.add(new StringField("ambiguationEntitys", ambiguationEntitys.toLowerCase(), Field.Store.YES)); //lucene内容按小写存储
if(writer.getConfig().getOpenMode()==OpenMode.CREATE)
{
//New index, so we just add the document (no old document can be there):
System.out.println("adding "+entity);
writer.addDocument(document);
}
else
{
//Existing index (an old copy of this document may have been indexed) so
//we use updateDocument instead to replace the old one matching the exact path, if present:
System.out.println("updating "+entity);
/*
Term是搜索的基本单位，一个 Term对象有两个 String类型的域组成。
生成一个 Term对象可以有如下一条语句来完成：Term term = new Term(“fieldName”,”queryWord”);
其中第一个参数代表了要在文档的哪一个 Field上进行查找，第二个参数代表了要查询的关键词。
*/
writer.updateDocument(new Term("entity", entity), document);
}
}
System.out.println("index ambiguationEntitys complete...");
br.close();
fr.close();
writer.close();
}
}
}
使用Lucene构建歧义实体上下文index：
/*
* we need run this file as "Java Application" before this system is built
*/
public class LuceneEntityAbstractIndex {
public static void main(String[] args) throws Exception
{
boolean create=true;
//String docsPath="E:\\LuceneDocument\\long_abstracts_preprocessing(file_contents_examples).txt";
String docsPath="E:\\LuceneDocument\\long_abstracts_preprocessing.txt";
String indexPath="E:\\LuceneEntityAbstractIndex";
final Path docDir = Paths.get(docsPath);
if (!Files.isReadable(docDir))
{
System.out.println("Document directory '" +docDir.toAbsolutePath()+ "' does not exist or is not readable");
System.exit(1);
}
//Directory这个类代表了Lucene的索引的存储的位置，这是一个抽象类，它目前有两个实现:
//第一个是FSDirectory，它表示一个存储在文件系统中的索引的位置,
//第二个是RAMDirectory，它表示一个存储在内存当中的索引的位置。
Directory directory = FSDirectory.open(Paths.get(indexPath));
//在一个文档被索引之前，首先需要对文档内容进行分词处理，这部分工作就是由 Analyzer来做的。
//Analyzer类是一个抽象类，它有多个实现。针对不同的语言和应用需要选择适合的 Analyzer。
//Analyzer把分词后的内容交给 IndexWriter来建立索引。
Analyzer analyzer = new StandardAnalyzer();
IndexWriterConfig indexWriterConfig = new IndexWriterConfig(analyzer);
//IndexWriter是Lucene用来创建索引的一个核心的类，他的作用是把一个个的Document对象加到索引中来。
IndexWriter indexWriter = new IndexWriter(directory, indexWriterConfig);
if(create)
{
indexWriterConfig.setOpenMode(OpenMode.CREATE);
}
else
{
indexWriterConfig.setOpenMode(OpenMode.CREATE_OR_APPEND);
}
IndexDocs(indexWriter, docDir);
indexWriter.close();
}
static void IndexDocs(final IndexWriter writer, Path path) throws IOException
{
if(Files.isDirectory(path))
{
Files.walkFileTree(path, new SimpleFileVisitor<Path>(){
@Override
public FileVisitResult visitFile(Path file, BasicFileAttributes attrs) throws IOException
{
try
{
IndexDoc(writer, file);
}
catch(IOException ignore)
{
//don't index files that can't be read.
}
return FileVisitResult.CONTINUE;
}
});
}
else
{
IndexDoc(writer, path);
}
}
public static void IndexDoc(IndexWriter writer, Path file) throws IOException
{
try(InputStream stream=Files.newInputStream(file))
{
FileReader fr=new FileReader(file.toString());
BufferedReader br=new BufferedReader(fr);
String line=null,entity=null,entityAbstract=null;
line=br.readLine(); //skip the first line
while ((line=br.readLine())!=null) {
entity=line.split("=>")[0];
entityAbstract=line.split("=>")[1];
//Document是用来描述文档的，这里的文档可以指一个 HTML 页面，一封电子邮件，或者是一个文本文件。
//一个 Document对象由多个 Field对象组成的。
//可以把一个Document对象想象成数据库中的一个记录，而每个 Field对象就是记录的一个字段。
Document document=new Document();
//System.out.println(entity);
//Field对象是用来描述一个文档的某个属性的，比如一封电子邮件的标题和内容可以用两个 Field对象分别描述。
Field entityField=new StringField("entity", entity.toLowerCase(), Field.Store.YES); //lucene内容按小写存储
document.add(entityField);
//Add the contents of the file to a field named "contents".
document.add(new StringField("entityAbstract", entityAbstract.toLowerCase(), Field.Store.YES)); //lucene内容按小写存储
if(writer.getConfig().getOpenMode()==OpenMode.CREATE)
{
//New index, so we just add the document (no old document can be there):
System.out.println("adding "+entity);
writer.addDocument(document);
}
else
{
//Existing index (an old copy of this document may have been indexed) so
//we use updateDocument instead to replace the old one matching the exact path, if present:
System.out.println("updating "+entity);
/*
Term是搜索的基本单位，一个 Term对象有两个 String类型的域组成。
生成一个 Term对象可以有如下一条语句来完成：Term term = new Term(“fieldName”,”queryWord”);
其中第一个参数代表了要在文档的哪一个 Field上进行查找，第二个参数代表了要查询的关键词。
*/
writer.updateDocument(new Term("entity", entity), document);
}
}
System.out.println("index entityAbstract complete...");
br.close();
fr.close();
writer.close();
}
}
}为什么没有entity本身的索引？？？
因为entity本身的索引是在系统run起来之时才构建的，它使用了LingPipe而不是lucene。上面两段代码算是一个pre-“training”的过程。
使用了LingPipe构建entity索引，并进一步recognize用户输入中的entity的代码参考下一篇。
参考文献：
[1] Mendes, Pablo N, Jakob, Max, Garc&#, et al. DBpedia spotlight: Shedding light on the web of documents[C]// Proceedings of the 7th International Conference on Semantic Systems. ACM, 2011:1-8.
[2] Han X, Sun L. A Generative Entity-Mention Model for Linking Entities with Knowledge Base.[J]. Proceeding of Acl, 2011:945-954.
[4] http://alias-i.com/lingpipe/demos/tutorial/ne/read-me.html
[5] http://wiki.dbpedia.org/Downloads2014
[6] http://www.oschina.net/p/jieba（结巴分词）
类似资料：