HW7 作业报告（第7次）

简介：
HW7实验报告1 HW7实验报告1 HW7实验报告1 HW7实验报告1 **数据获取**： 网络爬取技术用于从网页中提取原始形式的文本信息，以获取非结构化文本数据。通过特定算法对采集到的非结构化内容进行解析处理，将其转换为具有逻辑关系的三元组表示（Subject-Predicate-Object），从而实现系统化的知识图谱构建。对于呈现表格型结构的数据格式，则可直接通过程序自动转换为结构化表达形式。 非结构化数据结构化： 借助HarvestText库：该库具备分词、分句及实体识别等功能，旨在帮助处理非结构化的文本信息。通过清华领域词典进行命名实体识别工作，进一步提升识别的准确性，并将分类后的实体信息补充至词典中以丰富知识图谱的内容。在数据抽取方面，通过分析句子结构并应用预先设定的规则或算法，有效提取具有意义的信息。3. **结构化数据处理**：获取网页中结构化的教学资源（如师资队伍信息），通过简单的预处理将其转化为适合构建知识图谱的形式。4. **知识图谱构建**：使用rdflib库。该Python库支持对RDF（Resource Description Framework）知识图谱进行操作和管理，并通过系统性地遍历每一个三元组，并将这些基础元素有组织地整合进图结构中以完成知识图谱的构建。该问答系统采用SPARQL查询机制，当用户输入问题时，系统利用SPARQL查询语言从知识库中检索相关信息。通过自然语言处理技术，系统能够自动提取问题中的核心实体及其所属类别，并为此准备好SPARQL查询语句。随后，系统会基于问题的类型以及相关实体类别，从预设的回答库中选取最适合的模板，并利用最简编辑距离算法确定最优匹配。该系统会根据选定的模板内容，生成最终的回答。它既可以遵循固定的预设模板，也可以通过实时数据动态构建定制化回复。采用不同的问答策略模式，在无法提取出实体信息的情况下，默认采取回答生成策略；例如，在无法提取出实体信息的情况下，系统会默认生成一个响应；当存在多条潜在的答案信息时，系统会对这些信息进行整合，并以列表形式呈现给用户。本份实验报告对数据分析、知识构建以及用户互动过程进行了全面而详细的描述。可视为构建知识图谱及智能问答系统的核心实践环节。通过这种方式，可以将复杂的信息组织成结构化的知识库，便于机器理解和回答人类的问题。