基于多知識庫科技報告術語實體鏈接研究.pdf

1、科技報告作為一種重要的文獻資源，對其的深入挖掘與分析具有重要的價值和意義。然而，目前針對科技報告的研究仍停留在對其基本概念、屬性的界定，以及科技報告體系建設研究，而對科技報告內容深入挖掘與分析研究非常少。科技報告中含有大量的專業(yè)術語實體，這些專業(yè)術語實體多為科技報告的研究主體，代表著中國科學技術的發(fā)展現(xiàn)狀與未來趨勢。因此，對科技報告內容的挖掘分析，識別其中的專業(yè)術語實體對推動科技創(chuàng)新具有重要意義。實體識別技術作為自然語言處理的關鍵技術，

2、可用于自動識別文本中的人名、地名、機構名等實體，將其擴展應用使得自動識別專業(yè)術語實體成為可能。本文以科技報告為研究對象，首先利用新詞發(fā)現(xiàn)技術發(fā)現(xiàn)科技報告中未登錄的潛在術語新詞，然后構建專業(yè)術語知識庫作為術語實體識別與鏈接的語料支撐，最后利用Stanford NER實體識別框架實現(xiàn)科技報告中術語實體的自動識別，并與多個知識庫進行鏈接消歧。主要的研究工作如下:
　　(1)針對目前中文分詞存在的問題以及科技報告術語的特點，提出了基于詞性

3、組合的新詞發(fā)現(xiàn)方法，通過制定專業(yè)術語的詞性組合規(guī)則抽取符合規(guī)則的詞串，并根據(jù)詞串的支持度以及詞長、互信息等內外部特征確定新詞，有效發(fā)現(xiàn)專業(yè)術語新詞，在一定程度上提高了中文分詞的準確度，為術語實體的識別奠定了基礎。
　　(2)構建專業(yè)術語知識庫。實體識別需要大量的語料作為支持，通過訓練語料提取實體特征，實現(xiàn)實體的自動識別。由于目前缺乏公開的科技報告術語語料，本文以中國規(guī)范術語網(wǎng)提供的專業(yè)術語知識作為數(shù)據(jù)源，利用網(wǎng)絡爬蟲，數(shù)據(jù)庫等信息

4、技術設計并構建術語知識庫。
　　(3)詳細介紹了目前實體識別的主流方法，并選擇成熟的基于條件隨機場模型的Stanford NER開源實體識別框架，通過訓練術語實體模型，實現(xiàn)科技報告術語實體的自動識別，并結合多知識庫與語義相似度計算實現(xiàn)術語實體的鏈接消歧。
　　(4)選取國家科技報告服務系統(tǒng)發(fā)布的科技報告作為實驗數(shù)據(jù)，設計并開發(fā)基于多知識庫的科技報告術語實體鏈接原型系統(tǒng)。該系統(tǒng)主要集成了科技報告數(shù)據(jù)預處理、新詞發(fā)現(xiàn)、實體識別與