面向在线声誉监控的实体检索与文本挖掘

在线声誉监控（ORM）关注利用计算工具衡量实体（如政治家或公司）在网上的声誉。在实践中，当前 ORM 方法局限于生成数据分析报告，这类报告聚合社交媒体上的热度与情感统计。我们认为这种形式过于受限，因为终端用户通常希望灵活搜索预定义图表中不可得的以实体为中心的信息。为此，我们提出将实体检索能力作为扩展当前 ORM 能力的第一步。然而，一个实体的声誉也受其与其它实体关系的影响。因此，我们处理实体-关系（E-R）检索问题，其目标是搜索多个相互关联的实体。这是传统实体搜索系统无法应对的挑战性问题。除 E-R 检索外，我们也认为 ORM 将受益于基于文本的实体中心预测能力，例如基于新闻事件或政治调查结果预测实体在社交媒体上的热度。然而，若无针对 ORM 语境的有效实体消歧与情感分析，这些任务均无法提供有用结果。因此，本论文处理在线声誉监控中的两个计算问题：实体检索与文本挖掘。我们研究并开发了提取、检索和预测散布于 Web 上的实体中心信息的方法。