一个基于本体主题的中文知识获取方法
大语言模型知识提取
大语言模型知识提取
大语言模型（Large Language Model，LLM）是一种基于深度学习的自然语言处理技术，旨在通过大语言模型（Large Language Model，LLM）是一种基于深度学习的自然语言处理技术，旨在通过训练大规模的神经网络来生成自然语言文本。
这种技术的核心思想是利用大量的文本数据来学习语言的统计规律和语义结构，从而能够生成符合语法规则、通顺流畅的文本。
知识提取是指从大量非结构化或半结构化的数据中提取出有用的信息和知识。
在大语言模型中，知识提取可以通过以下几种方式实现：
1. 实体识别：实体识别是指从文本中识别出人名、地名、组织机构名等实体。
在大语言模型中，可以使用命名实体识别（Named Entity Recognition，NER）技术来实现实体识别。
2. 关系抽取：关系抽取是指从文本中抽取出实体之间的关系。
在大语言模型中，可以使用依存句法分析（Dependency Parsing）技术来实现关系抽取。
3. 事件抽取：事件抽取是指从文本中抽取出事件及其相关的参与者、时间等信息。
在大语言模型中，可以使用序列标注（Sequence Tagging）技术来实现事件抽取。
4. 关键词提取：关键词提取是指从文本中提取出最能代表文本主题的词语。
在大语言模型中，可以使用词向量（Word Embedding）技术来实现关键词提取。
大语言模型可以通过各种自然语言处理技术来实现知识提取，从而帮助人们更好地理解和利用大量的非结构化或半结构化数据。
知识获取的途径与方法
知识获取的途径与方法介绍随着信息时代的发展，获取知识变得越来越重要。
本文将介绍几种常见的知识获取途径和方法，帮助您更高效地获取知识。
1. 阅读阅读是获得知识最常见的途径之一。
通过阅读书籍、报纸、杂志、学术论文等，您可以获取各种各样的知识。
阅读不仅可以帮助您扩展知识面，还能提高您的阅读理解能力和写作能力。
2. 研究课程参加课程是另一种获取知识的有效途径。
您可以通过参加学校的课程、在线研究平台的课程或者培训班等方式研究各种知识。
研究课程可以系统化地研究某一领域的知识，提高专业水平。
3. 参与讨论和交流参与讨论和交流也是获取知识的重要方式。
您可以加入学术或专业组织，参加相关的会议、研讨会或社交活动，与其他人交流和分享经验。
通过与他人的交流和讨论，您可以获取新的观点和见解，促进思维和研究的深入。
4. 实践和实地考察实践和实地考察是一种通过亲身经验获取知识的方法。
您可以积极参与项目、实验、实或实地考察，通过实际操作和观察，深入了解相关领域的知识和技能。
5. 使用科技工具科技工具可以帮助您更高效地获取知识。
借助互联网和各种软件应用，您可以随时随地获取各种信息和研究资源。
通过搜索引擎、在线课程平台和学术数据库等，您可以快速找到自己需要的知识。
6. 持续研究和自我更新持续研究和自我更新是获取知识的关键。
不断研究新知识、关注最新的发展和趋势，保持好奇心和求知欲，都可以帮助您不断提升自己的知识水平。
结论通过阅读、学习课程、参与讨论和交流、实践和实地考察、使用科技工具以及持续学习和自我更新等途径和方法，您可以更全面地获取知识，并不断提高自己的能力和素质。
希望以上内容对您有所帮助！。
文本的获取方法
文本的获取方法一、什么是文本的获取方法文本的获取方法是指通过各种途径和手段来获取需要的文本信息的技巧和方法。
在互联网时代，文本信息无处不在，获取文本信息成为人们日常生活和工作中必不可少的一项能力。
下面将介绍几种常见的文本的获取方法。
二、通过搜索引擎获取文本信息搜索引擎是最常见的获取文本信息的方法之一。
人们可以通过输入关键词到搜索引擎中，搜索引擎会自动从互联网上抓取相关的网页，并将搜索结果展示给用户。
在搜索结果中，用户可以点击链接进入相应的网页，获取所需的文本信息。
常见的搜索引擎有谷歌、百度、必应等。
三、通过在线图书馆获取文本信息在线图书馆是一个汇集了大量电子书籍的平台，用户可以通过在线图书馆来获取各种类型的文本信息。
在线图书馆提供了搜索功能，用户可以根据自己的需求搜索感兴趣的图书，并通过在线阅读或下载的方式获取文本信息。
常见的在线图书馆有豆瓣读书、国家图书馆数字资源库等。
四、通过新闻网站获取文本信息新闻网站是获取时事新闻和各种新闻资讯的重要途径。
人们可以通过访问新闻网站获取最新的新闻报道、评论和专栏文章等文本信息。
常见的新闻网站有新浪新闻、腾讯新闻、网易新闻等。
五、通过社交媒体获取文本信息社交媒体已经成为人们获取信息的重要渠道之一。
人们可以通过浏览微博、微信公众号、知乎等社交媒体平台来获取各种文本信息，包括新闻、专栏文章、博客等。
在社交媒体上，用户可以通过关注和订阅的方式获取自己感兴趣的文本信息。
六、通过电子邮件获取文本信息电子邮件是人们日常工作和学习中常用的通信工具之一。
人们可以通过接收邮件来获取各种文本信息，包括工作报告、学术论文、会议通知等。
同时，人们还可以通过发送邮件来请求他人提供需要的文本信息。
七、通过在线论坛获取文本信息在线论坛是人们交流和获取信息的重要平台之一。
人们可以通过参与讨论或搜索历史帖子来获取各种文本信息。
在线论坛涵盖了各个领域的讨论，用户可以根据自己的需求选择合适的论坛获取所需的文本信息。
基于本体的语义Web中知识获取技术研究
用 知识 编辑 工具 问接获 取知 识 ，这 种方 法获取 的知 识难 以共享 ，且不适 合 逐页浏 览 ，容易 丢失 信息 。现 有 的 知 识获 取途 径是通 常采 用 自然语 言技术 ，直接 从 自然 语 言文本 中获取有 用 的知识 并提供 给 用户 ，这 种方式 的 问题在 于 当前 对 于 自然语 言 的理解 水 平 比较 低 ，主要 是 利用 用 户 提供 的语 义 字典 来 进 行 获 取 特定 范 围 的知 识 ，其 有限 的语义 资 源限制 了其应 用范 围 。
尤其 是对 Ｗｅ 的 自然 语 言文档 的语 义识 别 。因此 ，人们 又 提 出了语 义 Ｗｅ ｂ上 ｂ中的 知识 获取 ，语 义 Ｗｅ ｂ的知 识获 取 已成 为 当前研 究 的热点 。
Ｊ 语 义 Ｗｅ 的 知识获 取途 径 ｂ
随着 网络技术 的迅速发 展 ，互 联 网 已经成 为全球 传 播与共 享各种 信息 的 巨大载 体。用 户 可 以通 过超 链接 来获取 网络 上 的相关 资源 ，这是 最初级 的知识 获取方 式 。传 统 地从 网页文 本 中发 现 知识并 将知 识提 供 给用户
因此 ，新 的知 识获 取方 式急需 产生 ，如何 实现适 用 语 义 Ｗｅ ｂ的知 识 获取 途 径 成 为知 识 工 程领 域 里 的研 究 热点之 一 。 目前 的 Ｗｅ ｂ知识 获取 技术 大致可 以分 为 以下 几个 类别 ：基 于本 体 的 Ｗｅ 识 获取 、基 于 网页 ｂ知 结构 特征 分析 的知 识获取 、基 于特 征模 式 匹 配 的知识 获 取 等 。由于 Ｗｅ ｂ页面 的开 发 语 言不 同 、结 构 形 式 不 同 ，并且 信息 获取 的 目的也不 尽相 同 ，所 以一种 ｗｅ ｂ知识 获取 系统 ，不能 够适 应 这种 千 变万 化 的 应用 环境 ，
文本特征提取方法
/u2/80678/showart_1931389.html一、课题背景概述文本挖掘是一门交叉性学科,涉及数据挖掘、机器学习、模式识别、人工智能、统计学、计算机语言学、计算机网络技术、信息学等多个领域。
文本挖掘就是从大量的文档中发现隐含知识和模式的一种方法和工具,它从数据挖掘发展而来,但与传统的数据挖掘又有许多不同。
文本挖掘的对象是海量、异构、分布的文档(web);文档内容是人类所使用的自然语言,缺乏计算机可理解的语义。
传统数据挖掘所处理的数据是结构化的,而文档(web)都是半结构或无结构的。
所以,文本挖掘面临的首要问题是如何在计算机中合理地表示文本,使之既要包含足够的信息以反映文本的特征,又不至于过于复杂使学习算法无法处理。
在浩如烟海的网络信息中,80%的信息是以文本的形式存放的，WEB文本挖掘是WEB内容挖掘的一种重要形式。
文本的表示及其特征项的选取是文本挖掘、信息检索的一个基本问题，它把从文本中抽取出的特征词进行量化来表示文本信息。
将它们从一个无结构的原始文本转化为结构化的计算机可以识别处理的信息，即对文本进行科学的抽象，建立它的数学模型，用以描述和代替文本。
使计算机能够通过对这种模型的计算和操作来实现对文本的识别。
由于文本是非结构化的数据,要想从大量的文本中挖掘有用的信息就必须首先将文本转化为可处理的结构化形式。
目前人们通常采用向量空间模型来描述文本向量,但是如果直接用分词算法和词频统计方法得到的特征项来表示文本向量中的各个维,那么这个向量的维度将是非常的大。
这种未经处理的文本矢量不仅给后续工作带来巨大的计算开销,使整个处理过程的效率非常低下,而且会损害分类、聚类算法的精确性,从而使所得到的结果很难令人满意。
因此,必须对文本向量做进一步净化处理,在保证原文含义的基础上,找出对文本特征类别最具代表性的文本特征。
为了解决这个问题,最有效的办法就是通过特征选择来降维。
目前有关文本表示的研究主要集中于文本表示模型的选择和特征词选择算法的选取上。
基于本地文本的知识问答
.知识库构建：知识库中可以包含多个向量数据库和知识图谱等，核心是怎么建立索引，使得检索时能够将与问题相关的知识给检索出来。
.检索：从知识库中的多个库或者知识图谱中检索出与问题相关的信息。
.后处理：从知识库中检索出来的信息可能是冗余的，而且可能不符合我们希望的格式要求，因此，我们需要对这些数据进行过滤，格式化等操作。
.推理：基于检索出来的知识进行推理，让输出能够回答用户的问题，目前主要使用大模型进行推理。
知识库构建知识库的构建是智能问答的基础，一个高质量和完备的知识库是获取高质量回答的核心。
目前包括两种库：向量库和知识图谱库。
向量库的构建我们首先对知识进行一个定义：每个单位的知识至少包括部分：主题，正文。
主题是这一单位知识的代表，可以是正文的摘要，标题，关键词列表等。
每段文本必然有一个主题。
例如，如果以当前整篇文章作为一个单位的知识，那么这一单位的知识的主题可以是“智能问答技术架构”，也可以是文章的摘要，甚至可以将所有正文作为主题。
设置主题是为了在检索知识时进行比较。
构建向量库的步骤包括：读取解析文档> 切分文档> 嵌入> 录入向量库。
读取并解析文档将各种格式的文档读取成文本形式。
目前开源的工具很多，langchain 中也包含了许多的切分文档切分文档的任务是将较长的文本切分为较小的文本。
我们认为一段文本就是一个单位的知识。
切分方法.字符串处理方法。
将文本按照符号进行切分，比如按照。
？；符号进行切分，可能会将语义相关的文本切割到不同的片段中。
可以使用一个滑动窗口对文本进行切分，切割的前后片段之间保留一定的重叠部分。
例如，切分abcdefg，切分后为abc, cde, efg。
优点：通过重叠部分可以保留一定的前后语义。
缺点：即使通过重叠句子增强前后语义还是难以实现保留相关知识的完整语义。
.语义切分方法。
使用一些模型按照语义进行切割，按照语义进行切分段落，比如使用大模型对文本进行切割。
知识表示之六——基于本体的知识表示方法
知识表⽰之六——基于本体的知识表⽰⽅法 本体是对领域实体存在本质的抽象，他强调实体间的关联，并通过多种知识表⽰元素将这些关联表达和反映出来，这些知识表⽰元素也被称为元本体，主要包括：1. 概念——表⽰领域知识元，包括⼀般意义上的概念以及任务、功能、策略、⾏为、过程等，在本体的实现中，概念通常⽤类（class）来定义，⽽且通常具有⼀定的分类层次关系；2. 属性——描述概念的性质，是⼀个概念区别于其他概念的特征，通常⽤槽（slot）或者类的属性（Properties）来定义；3. 关系——表⽰概念之间的关联，例如⼀些常⽤的关联：⽗关系、⼦关系、相等关系；4. 函数——表⽰⼀类特殊的关系，即由前n-1个要素来唯⼀决定第n个要素，如：长⽅形的长和宽唯⼀决定其⾯积；5. 公理——表⽰永真式，在本体论中，对于属性、关系和函数都具有⼀定的关联和约束，这些约束就是公理，公理⼀般⽤槽的侧⾯（facet）来定义；6. 实例——表⽰某个概念类的具体实体。
本体的每⼀个知识表⽰元素也可以被看作⼀个知识⽚，每⼀个知识⽚都包含名称、定义和⽂档说明。
总的来说，构造本体的⽬的都是为了实现某种程度的知识共享和重⽤。
从⼴义来讲，本体的作⽤主要有以下两⽅⾯：1. 本体的分析澄清了领域知识的结构，从⽽为知识表⽰打好基础。
本体可以重⽤，从⽽避免重复的领域知识分析；2. 统⼀的术语和概念使知识共享成为可能。
较为具体来讲，本体的作⽤包括三个⽅⾯：即交流（communication）、互操作（inter-operability）和系统⼯程（system engineering）：1. 交流：主要为⼈与⼈之间或组织与组织之间的交流提供共同的词汇；2. 互操作：在不同的建模⽅式、范式、语⾔和软件⼯具之间进⾏翻译和映射，以实现不同系统之间的互操作和集成；3. 系统⼯程：本体分析能够为系统⼯程提供以下⽅⾯的好处：重⽤（reusability）：本体是领域内重要实体、属性、⼯程及其相互关系形式化描述的基础。
主题提取的方法范文
主题提取的方法范文主题提取是文本分析的一种重要方法，可以帮助理解和总结文本内容。
它是将一篇文本中的重要信息提取出来，形成一个简明扼要的话题或主题，方便读者了解文章的核心意义。
下面将介绍几种常见的主题提取方法。
1.关键词提取法关键词是文本中最能代表主题的词语，通过提取文本中的关键词，可以帮助快速理解文章的主题。
关键词提取方法有很多种，比如TF-IDF（词频-逆文档频率）算法、TextRank算法等。
-TF-IDF算法是一种用于衡量一些词对于一个文档集或一个语料库中的其中一个文档的重要性的统计方法。
它通过计算词频和逆文档频率来确定一个词的重要程度。
- TextRank算法是一种无监督的关键词提取算法，类似于PageRank算法，通过计算词之间的相似度和重要性来确定关键词。
2.主题建模法主题建模是一种通过分析文本中的词语分布，从中抽取出一组和文本内容相关的主题的方法。
常见的主题建模方法包括潜在语义分析(LSA)、潜在狄利克雷分配(LDA)等。
-LSA是一种利用矩阵分解的方法，将文本数据转化为词项-文档矩阵，通过对矩阵进行奇异值分解，可以识别出其中的主题。
-LDA是一种生成模型，它基于贝叶斯方法，通过假设每篇文章由多个主题以一定的概率分布组合而成，通过对文本进行迭代更新，最终确定主题分布。
3.文本聚类法文本聚类是一种将相似主题的文本进行分组的方法。
通过计算文本之间的相似度，将相似的文本归到一个簇中，从而提取出文本的主题。
- 基于距离的聚类方法，如k-means算法，通过计算文本之间的相似度距离，将相似的文本归到一个簇中。
-基于密度的聚类方法，如DBSCAN算法，通过计算文本的密度，将离群点聚集到一起，从而提取出主题。
这里介绍的只是主题提取的一些常见方法，实际应用中还可以结合其他文本分析技术，如情感分析、实体识别等，以提取出更准确和全面的主题信息。
总结起来，主题提取是文本分析的关键任务之一，通过提取文本中的关键词、主题建模和文本聚类等方法，可以帮助读者快速了解文本的主题内容。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
I SS N 1673-9418C ODE NJK Y T A 8Jour nal ofFm n ‘i er so f 、C —o m p u t —e r l 673-9418／2007／01(02020610s ci enc eand Techn 。
l 。
gy 、一一。
一个基于本体主题的中文知识获取方法车海燕1+，孙吉贵一。
荆涛1，白曦C H E H ai yanl +，SU N Ji gui l 一，JI N G T a o 】．B A IX i1．吉林大学计算机科学与技术学院，长春1300122吉林大学教育部符号计算与知识工程重点实验室，长春130012E-m ai l ：fcst @publ i c2．bt a ．net ．cnht t p ：N w w w ．ceaj ．orgT e l ：+86—10—51616056I c 。
I I ege 。
f c 。
m put er Sci ence a ndT ech nol 。
gY ，Ji l i n U ni ve rs i t y ，C ha ngchun 130012，chj na2K eybbor at or yofsym b 。
l i c c 。
m put at i 。
n a nd K now I edge E I l gi neer i ng 。
fM i ni s t r y 。
fE du cat i 。
n ，Ji l i nunive 咖，changch un130012，C hi na 一+C or r e s pondi ngaut hor ：E -m ai l ：che hy@j l u ．edu ．c nC H E H ai y an ，SU N Ji gui ，f r om C hi ne se nat u r al 2007，1(2)：206-215．j I N G T a 。
，et al A n 。
nt ol ogy —t hem e -base d m et hodof acq ui r i ng knowl edgel a nguage doc um ent sJour na l 。
f Fr o nt i er s 。
fC om put er Sei e nce a ndTechnol 。
gy ，A bs t m ct ：A cqui ri ngkno w l ed gef r om C hi n es enat ur al l anguagedocum e nt sis ver y di f f i cul t due t 。
t he p 剐吐1cuJa ’cham ct er i 8t i c ofC h i ne se -A h houg hm a n yr es earehershavem adegr ea tpm gr es s 。
n t heC hi nes en 锄ed e 蚰‘Y 。
ec 。
gni t i on(N ERf ors hor t )，i ti shardl ypos si bl et 。
e x t r a ctc 。
r r e ct l y t he bi n ar yr e l at i 。
nshi D sD e t w ee napal 。
of №co gni 2eden t i t i e sw i t houtt hef aci l i t i esofsynonym t abl es ，orsom eC hi nes el i ngui st i c。
nf ol 。
gY l i k eW or dN et Pr op 。
s e an 。
nt ol 。
gY —t hem e —basedm et h 。
d t 。
e xt r a ctt he ser e l at i 。
nshi psf r om chi n es e nat ura ll anguage documen t s ．I t ist hef i rs tt i m et oi m po r tt het he nl ei d ea i n t o dom ai n ont 。
109y ．C onc ept sandpr oper hesoft heon91naldom ai n ont 01。
gYar epa r t i t i 。
ne d accordi ngt ot he t he m esand t hem a ppi ng r el at i 。
ns D e t w ee nconcept sa nd t hem es ,t hem esand prope r t i esar ees t abl i shed ．Forasent enc “ei ngproce ss ed ，som eent l t l e8，1ndl V l dual 8andpm pe ni escanbee xt r ac t edf i r st l ybys i m pl eN E Randdi r ec t s t r i ng-ont ol ogv m at chm gl he8eco Ⅱec t l Y ext 。
act e di nf or m a t i 。
ncal lt h en beU Sedt 。
i nfert het hem esoft hi s se nt e nce ．F ur t he r ,t he t he m es c 锄pr ovi deusef ulc l uest ofi ndm or epos s i bl er el at i ons hi ps ．R es ul t sofel em ent ar vexper i m ent s 1ndl ca t et ha tt hi st hei n e —bas ed appr o acheanobt a i nahi g herr e cal lr a t eandpre c i s i onr a t ec 。
m p ar edw i t h 。
t h erm e t hods w i t houtt hei nco 叩。
糟t i on of t hem e ．4‘heK ey 喇ect 。
fN at i 。
nal N at ur alSci ence Foun dat i 。
nofC hi na und e r G r an ￡N 。
．60496321fN at i 。
halRes ea rc h Foun dat i 。
n f or t he D oct 。
r alPr ogr a m 。
f 博士学科点专项科研基金)R ece i ved2007-04，A c c ept e d 2007—06．国家自然科学基金重大项目)：t heH i ghe r E d ucat i 。
n 。
f C hi na under G r a ntN 。
．20050183065(高等学校车海燕等：一个基于本体主题的中文知识获取方法207K ey w or ds：know l e dge acqui s i t i o n；ont ol ogy；t hem e；C hi nes e摘要：中文语言自身的特点决定了从中文自然语言文档中获取知识是非常困难的。
尽管目前对中文的命名实体识别(简称为N E R)已经取得了较好的效果，但是如果不借助同义词表或者类似W or dN et的中文语言知识库，几乎无法正确地抽取已经识别出的实体之间的关系。
文章提出了一个基于本体主题的思想进行中文知识获取的方法，该方法首次将主题思想引入领域本体，由领域专家对原始的领域本体中的概念和属性按照主题进行划分，建立起概念到主题、主题到属性的关联关系。
在对一句话进行知识抽取时，通过简单的N ER和直接与本体映射的方法可以识别出一句话中的部分概念、个体和属性，利用这些准确识别出的信息可以判定该句话所属的主题；该主题则进一步提供了寻找关系的线索。
初步的实验结果表明与没有利用主题信息的方法相比，该方法可以取得更好的召回率和准确率。
关键词：知识获取；本体；主题；中文文献标识码：A中图分类号：TP391．11引言W eb可以看作是当今可用的最大、最丰富的信息源，其中包含了数量巨太的姚识。
但是这些知识通常隐藏在多层文本之下并且分散在众多的网站上。
为了找到感兴趣的知识，用户需要逐一浏览、分析从传统搜索引擎返回的检索结果网页，而这是一项非常费事费力的工作。
自从B e r ner s—L e e等人提出语义网的概念…。
很多研究人员开始关注网页的语义信息，希望能让计算机理解网页的内容，从而可以自动地替人寻找特定的知识。
虽然网页的语义标注信息可以有助于获取知识，但是目前W eb上的语义标注非常贫乏，并且短期内不会丰富、细致到可以覆盖网页包含的所有知识。
因此，为了实现语义网的远景并提供高级的知识服务，需要构造能够在领域本体的指导下搜索，并从W eb上的非结构化的文档中直接抽取知识的工具。
目前中文的知识获取(简称为K A)技术不如英文的K A技术成熟，这主要是由中文自身的特点决定的。
例如与英文相比，中文词汇没有词形的变化，词性与句法功能之间没有简单的一一对应关系，并且词、短语和句子间没有明确的分界。
对于面向中文的K A，分词和命名实体识别(简称N ER)是基础，而且目前已经取得了较好的研究进展【2-s]。
但是在识别出了实体(概念)或实例之后如何准确地提取它们之间的关系仍然是一个难以解决的问题。
例如，可以利用领域本体里面的语义知识。
但是在一对实体之间可能会有多种关系．如何判断哪一个是要抽取的关系?也可以比较句子中出现的词语和本体里属性的名字，但是无法保证同一属性在句子中的每一次出现都是同样的形式。
因此可以说如果不借助同义词表或是类似W or dN et f91的语言本体，很难准确地获取被识别出的实体之间的关系。
文中提出了一个基于本体主题的中文知识获取方法，这是首次将主题的思想应用到领域本体的划分中。
通过为领域本体增加主题相关的信息，可以根据N E R和直接比对句中词汇与本体词汇的结果推断句子的主题，进而该主题可以为获取实体之间的关系提供有用的线索，从而解决了难以提取实体问关系的问题。
2相关研究目前对英文文档的K A方法主要是进行语义标注，例如可以借助工具进行人工标注[10。
12]，但是人工方式费时费力、代价昂贵{：13l，因此是不切实际的。
半自动或自动的语义标注可以有效地解决K A中的瓶颈．目前主要的法有基于包装器(w r apper)或者规则的208Jour na l of F r ont i er s of C om put er Sci ence and T e chnol ogy计算机科学与探索2007，1(2)方式114,151，即根据W eb文档的结构来识别要标识的信息块，从而定义包装器或者规则来对文档进行语义标注。