地质资料全文聚类分析及信息提取的研究

【摘要】随着计算机和互联网技术的发展与普及，各行各业都积累了大量数字化的资料信息，地质行业也是如此。面对规模庞大的资料数据，传统的地质资料服务系统显现出诸多不足，例如，检索系统推荐内容无关或关系不大的资料，检索结果是文档而非具体的信息等。本文的研究目的就是结合地质资料特点，对现有的文本数据挖掘相关技术进行改进，用于改善现有服务系统中存在的问题。现有的地质资料推荐功能只依据目录元数据库中的信息进行，无法判断资料全文间的相关性，因此，通常会将无关资料推荐给用户。本文采用文本聚类分析技术改善这个问题，同时，文本特征选择阶段通过主动增加地质相关词语的权重来突出地质主题。相同聚类中的资料往往代表相同或相近的主题，按类别进行资料推荐具有更高的相关性。另外，对检索系统返回的结果集，先进行聚类处理，然后用户可选择特定的聚类主题进行查阅，缩小查阅量，提高查询效率。信息提取技术的任务是将文本中指定模式的信息提取出来，并按照结构化的方式进行存储。本文采用该技术实现对资料元数据信息的提取并自动存入数据库，不仅提高了工作效率，减少了人力消耗，同时避免人为错误的引入，大幅提高了数据库的准确性。另外，借助GATE框架中的相关组件构建专题信息提取模块，根据专题特点，编写提取规则并提供相关的领域词表，最终的提取结果能够精确到词语、词组、句子和段落，更加简明易用。由于中文文本聚类和信息提取技术都需要采用中文分词技术进行预处理，因此，本文针对地质资料特点，对ICTCLAS的分词功能进行了优化和改进。一方面通过添加地质专业词表的方式提高分词准确率；另一方面，采用统计词频的方式确定候选的新词，将其反馈给用户并确定最终的新词集合，结合这些新词完成最终的分词处理。经测试，改进后的分词结果能够满足后续处理的要求。长期以来，地质资料信息化的研究主要集中在数字化方面，针对数字化资料的高效利用方面研究较少。本文提出的全文聚类分析技术实现了资料的粗分类，而信息提取技术对资料的具体内容进行按主题获取，都能够提高资料的利用效率，获得了地质资料服务部门的肯定。
【作者】樊中奎；
【导师】王群；
【作者基本信息】中国地质大学（北京），计算机技术，2014，硕士
【关键词】关键字；地质资料；中文分词；文本聚类；K-Means；信息提取；

【参考文献】
[1]高晓锋.董仲舒天论架构对汉代政治正当性的辩护[D].兰州大学,中国哲学,2013,硕士.
[2]康雷宇.数据挖掘推动银行卡业务发展[J].中国城市金融,2004,12:34-36.
[3]王艺霖.纳米孔道的表面修饰及响应性研究[D].吉林大学,生物工程,2014,硕士.
[4]魏静.我国民营上市公司的政治联系与公司价值关系的实证研究[D].山东大学,金融学,2013,硕士.
[5]孙印兰.先心合并心衰患儿呼吸支持的选择及需机械通气时镇痛镇静的应用[D].山东大学,儿科学,2013,硕士.
[6]黎承杨.输注异基因脾细胞诱导大鼠免疫耐受的实验研究[D].广西医科大学,泌尿外科学,2003,硕士.
[7]李保乐.多组分一锅法合成吡咯衍生物[D].河北师范大学,有机化学,2014,硕士.
[8]马姗.三元视角下客户企业声誉对核心企业绩效的影响[D].浙江大学,企业管理,2014,硕士.
[9]张林龙.数据库中的知识发现[J].情报杂志,2004,09:52-53+56.
[10]刘焘.固体超强酸制备及在合成乙酰丙酸中的应用[D].广西科技大学,生物化工,2013,硕士.
[11]刘聪.发芽谷物（小麦）淀粉特性的研究[D].大连工业大学,生物化工,2008,硕士.
[12]李飞腾.雅砻江牙根二级水电站坝基抗滑稳定性研究[D].成都理工大学,岩土工程,2013,硕士.
[13]祁明衡.范希尔理论下的初中生几何思维水平现状研究[D].首都师范大学,学科教学,2013,硕士.
[14]董闪闪.基于Zend框架的铁路团体票审批及电子监察系统的研究与实现[D].西南交通大学,计算机应用技术,2014,硕士.
[15]董玮倩.美国与中国台湾地区特殊儿童在家教育比较研究及启示[D].华东师范大学,特殊教育学,2013,硕士.
[16]景慧.县级土地整治规划方案研究[D].长安大学,土地资源管理,2014,硕士.
[17]黄泽华.绿豆凝集素的分离提取及其部分性质研究[D].黑龙江八一农垦大学,农产品加工及贮藏工程,2014,硕士.
[18]余娟娟.论反垄断法中相关市场的界定[D].北方工业大学,法律,2014,硕士.
[19]张峻铭.现代教育技术在初中体育教学中应用现状调查与对策研究[D].华中师范大学,运动训练,2014,硕士.
[20]李英.HLA-DR4基因表达与类风湿关节炎预后的相关性研究[D].内蒙古大学,生物工程,2014,硕士.
[21]宋文慧.关于我国司法改革中去行政化问题的探讨[D].中国社会科学院研究生院,行政法学（专业学位）,2012,硕士.
[22]王继成,黄源,武港山,张福炎.一种两阶段的神经网络属性选择方法[J].广西师范大学学报(自然科学版),2003,01:41-45.
[23]杨全红,唐致远.新型储能材料——石墨烯的储能特性及其前景展望[J].电源技术,2009,04:241-244.
[24]李琴琴.公募基金会信息披露模式研究[D].哈尔滨工业大学,行政管理,2013,硕士.
[25]李劲娴.基于Copula的商业银行风险综合度量实证研究[D].山西财经大学,金融学,2013,硕士.
[26]邵烽.基于OFDM系统的LDPC编解码研究[D].南京邮电大学,信号与信息处理,2013,硕士.
[27]张争辉.人体上肢骨肌建模及肌肉力预测方法研究[D].天津大学,生物医学工程,2013,硕士.
[28]伏圣青.艾司唑仑BCS分类及关键质控技术研究[D].中国食品药品检定研究院,药物分析,2013,硕士.
[29]何风军.论公民的人格尊严保护[D].西南政法大学,宪法与行政法（专业学位）,2012,硕士.
[30]李林溪.北京城区膝骨关节炎中医证候动态变化规律研究[D].北京中医药大学,中医骨伤学,2013,硕士.
[31]董爱武.论我国执行制度的改革和完善[D].苏州大学,法律,2003,硕士.
[32]杨少飞.公安机关撤案机制研究[D].西南政法大学,刑事诉讼法,2012,硕士.
[33]闵有黎,卞国东.GPRS无线网络优化实践和探讨[J].电信网技术.2003(09)
[34]周绍杰.F塑料模具企业的MES系统构建与应用研究[D].吉林大学,工业工程,2013,硕士.
[35]徐志梅.英语语音意识训练对儿童汉语语音意识和早期阅读能力的影响[D].山东大学,英语语言文学,2013,硕士.
[36]储彭黄.砂浆泵阀系统设计与控制研究[D].安徽工程大学,机械制造及其自动化,2012,硕士.
[37]何洁,杨万勤,倪祥银,李晗,徐李亚,吴福忠.雪被斑块对川西亚高山森林凋落物冬季分解过程中钾和钠动态的影响[J].植物生态学报,2014,06:550-561.
[38]张衡.低温烟气褐煤干燥工艺研究与数值模拟[D].东北大学,机械设计及理论,2010,硕士.
[39]董国民.内蒙古中部欠发达地区农村信息服务研究[D].河北大学,情报学,2014,硕士.
[40]王延雷.HCMV感染及ATF5对SW480细胞调控作用的研究[D].青岛大学,外科学,2013,硕士.
[41]W.胡巴,D.瑞斯吐,H.瑞斯特,牛毓荃.三维资料处理—编排和偏移[J].石油地球物理勘探,1979,S3:50-73.
[42]朱浩.新型磁性纳米材料的设计合成及固定化脂肪酶研究[D].兰州大学,2013.
[43]王伟.基于有限理性的出行行为建模与均衡分析[D].北京交通大学,2015.
[44]陈令军.提高大学生法制教育实效性的对策研究[D].沈阳航空航天大学,思想政治教育,2013,硕士.
[45]李亦豪.智能移动终端软件发展趋势及质量管理研究[J].软件,2014,08:116-120.
[46]王新慧.飞机机翼在气液两相流场中的流固耦合分析[D].兰州理工大学,材料加工工程,2013,硕士.
[47]洪韵华.毛泽东民生主体思想的哲学探析[D].华中科技大学,马克思主义哲学,2012,硕士.
[48]刘增光.运载火箭动力系统大型试验项目管理研究[D].东华大学,项目管理（专业学位）,2014,硕士.
[49]郭蕾蕾.大麦分子遗传图谱构建及其主要农艺性状和功能成分的QTL定位[D].四川农业大学,生物化学与分子生物学,2012,硕士.
[50]吴春梅.酸马奶酒中乳酸菌抑菌特性稳定性的研究[D].内蒙古农业大学,农产品加工及贮藏工程,2004,硕士.