ACM通信
研究突出了
技术视角:从凌乱数据构建知识库
想象一下，创建一个数据库的任务，所有高质量的特色cafés世界各地，这样你就不必满足于一个不完美的酿造。依赖Yelp等网站的评论是做不到的，因为对谁可以在上面发表评论没有限制。另一方面，你只对咖啡知识界评论过的cafés感兴趣。有一些在线资源，其中包含与您所设想的数据库相关的内容。Cafés可能刊载在颇受尊敬的咖啡出版物上，例如sprudge.com或baristamagazine.com你的社交媒体流中可能会从精通咖啡的朋友那里弹出更短暂的数据。
创建这样一个数据库的任务异常困难。首先要决定数据库应该对cafés的哪些属性建模。地址和开放时间等属性即使对新手来说也很明显，但你需要咨询咖啡专家，他会给你建议更精致的属性，如烘焙剖面和酿造方法。下一步是编写程序，从这些异构源中提取结构化数据，区分好的提取和坏的提取，并结合来自不同源的提取在数据库中创建元组。作为数据清理过程的一部分，您可能希望雇佣人群工作者来确认细节，比如从文本中提取的开放时间，或者文本中两次提到的cafés是否指的是现实世界中的同一个café。在极端情况下，您甚至可以派人到café亲自查看一些细节。创建数据库的过程是迭代的，因为您的提取技术将得到改进，而且café场景经常变化。
没有发现记录