基于Bootstrapping的交通工具名識(shí)別.pdf

1、名實(shí)體識(shí)別是自然語(yǔ)言處理領(lǐng)域的研究熱點(diǎn)之一，在信息抽取、自動(dòng)問(wèn)答等信息處理任務(wù)中都有十分重要的意義。隨著現(xiàn)代科技的高速發(fā)展，除人名、地名、機(jī)構(gòu)名之外，其它類(lèi)別的名實(shí)體識(shí)別也成為研究熱點(diǎn)。在ACE評(píng)測(cè)大綱中，名實(shí)體識(shí)別是五個(gè)識(shí)別任務(wù)中的重要一個(gè)，它是對(duì)文本自動(dòng)處理的前提工作，它的質(zhì)量會(huì)直接影響到后續(xù)的一系列工作。雖然名實(shí)體識(shí)別技術(shù)正日趨成熟，然而從評(píng)測(cè)的結(jié)果來(lái)看，中文名實(shí)體的識(shí)別還遠(yuǎn)不能滿足應(yīng)用的需求。因?yàn)檫@里存在著技術(shù)、資源、應(yīng)用需求之

2、間有機(jī)結(jié)合的問(wèn)題。
　　交通工具名屬于ACE實(shí)體類(lèi)別的一類(lèi)，因此交通工具名識(shí)別是ACE項(xiàng)目中的重要組成部分。目前，很多研究名實(shí)體識(shí)別都是研究多個(gè)名實(shí)體類(lèi)別，專(zhuān)門(mén)針對(duì)交通工具名的研究并不多。對(duì)于名實(shí)體識(shí)別，最先遇到的困難就是獲取大規(guī)模已標(biāo)注語(yǔ)料，這給我們的研究帶來(lái)了一定困難。另外，交通工具名自身的一些特點(diǎn)也是我們?cè)谘芯窟^(guò)程中需要考慮的關(guān)鍵問(wèn)題。
　　本文的主要工作是研究交通工具名識(shí)別的方法，在此基礎(chǔ)上建立了一個(gè)基于Bootst

3、rapping的交通工具名識(shí)別系統(tǒng)，經(jīng)過(guò)實(shí)驗(yàn)論證，此方法取得效果較好。本文主要研究了以下幾方面的內(nèi)容:
　　1.通過(guò)對(duì)真實(shí)語(yǔ)料的統(tǒng)計(jì)，深入分析了交通工具名的內(nèi)部特征和上下文環(huán)境特征，提出了適合交通工具名的特征集，并通過(guò)實(shí)驗(yàn)進(jìn)行特征選擇，確定了有效特征。
　　2.將信息熵增益理論運(yùn)用到模式和樣例的選擇中，這樣避免了以往用公式選擇時(shí)的局限性，可以判斷每一個(gè)模式或者樣例對(duì)實(shí)驗(yàn)結(jié)果的影響程度，從而判斷其重要性，為Bootstrapp

4、ing的有效運(yùn)行提供保證。
　　3.通過(guò)相似度計(jì)算來(lái)識(shí)別交通工具名，避免了模式的精確匹配。適應(yīng)了自然語(yǔ)言靈活多變的特點(diǎn)。
　　4.基于Bootstrapping算法設(shè)計(jì)實(shí)現(xiàn)了一個(gè)交通工具名識(shí)別系統(tǒng)。將交通工具名的特征信息和待識(shí)別實(shí)例分別表示為類(lèi)特征向量和實(shí)例特征向量，通過(guò)計(jì)算它們的相似度來(lái)判斷待識(shí)別實(shí)例是否屬于交通工具名，在類(lèi)特征向量的獲取過(guò)程中采用Bootstrapping算法。
　　我們對(duì)ACE語(yǔ)料32萬(wàn)字的文本進(jìn)