Sifaka：基于搜索 API 之上的文本挖掘

文本挖掘与分析软件已变得流行，但此类系统的软件架构却很少受到关注。它们通常通过使用专用软件和数据结构从零开始构建，这增加了其成本和复杂性。本演示论文描述了 Sifaka，一个使用现有应用程序编程接口（API）调用构建在标准搜索引擎索引之上的新型开源文本挖掘应用。索引集成了流行的标注软件库，以名词短语和命名实体增强全文索引；同时提供 n-gram。Sifaka 使人能够通过搜索、频率分析和共现分析快速探索和分析大型文本集合；并导入现有文档标签或交互式构建作为新概念正例或反例的文档集，执行特征选择，并导出与流行机器学习软件兼容的特征向量。Sifaka 证明了搜索引擎是文本挖掘应用的良好平台，同时也使常见的 IR 文本挖掘能力惠及编程技能较不普遍学科的研究人员。