论文名：Automated Phrase Mining from Massive Text Corpora
摘要
本文研究关键短语提取，研究无监督的，使用了通用知识库（KB）信息来做，使用了词性信息提升效果，
引言
Phrase mining的意思是短语（实体、关键词）提取，
本文贡献：
使用通用知识库（KB）的来构造正样本（应该就是用完全匹配的方式），然后训练一个NER模型（非神经网络的），然后用这个NER模型的预测结果来减少负样本噪声，
引入词性信息，
预备
流程图如下：
整体思路我理解是：先从KB里匹配出正样本，其他的词是负样本，然后训练NER/CRF模型，再卡个阈值，筛掉分低的实体，最后出的作为抽取出的短语。
首先用n-gram的方法处理好 短语候选，
方法
短语候选在KB的完全匹配作为正样本，加上词性信息的NER算法:
文章采用基于统计的viterbi算法训练θ（应该是一个类似CRF的模型），
给短语质量打分的Q
基于次数统计的方法对短语的词性序列打分T
最终三个分数相乘
最大化上面的log likelihood
实验
对比实验
实验结果（人工评估）
