中文文本實(shí)體關(guān)系抽取方法研究.pdf

1、隨著互聯(lián)網(wǎng)的不斷發(fā)展，網(wǎng)絡(luò)文本中所包含的有價(jià)值的信息越來越多。由于文本中包含各種實(shí)體之間關(guān)系紛繁復(fù)雜，以人工和經(jīng)驗(yàn)的方式進(jìn)行相關(guān)知識(shí)的獲取及組織已經(jīng)遠(yuǎn)遠(yuǎn)不能滿足應(yīng)用需求。自動(dòng)從互聯(lián)網(wǎng)文本中抽取實(shí)體關(guān)系，成為自然語言處理和信息抽取研究中的重要問題。從現(xiàn)有的研究來看，大部分實(shí)體關(guān)系抽取方法存在目標(biāo)關(guān)系類別分類較粗、不夠細(xì)致的問題，同時(shí)也相對(duì)缺乏對(duì)復(fù)雜類型的實(shí)體關(guān)系抽取的研究。為此，本文主要研究了兩類典型的復(fù)雜實(shí)體關(guān)系抽取方法，分別是人物實(shí)體

2、關(guān)系抽取與金融實(shí)體關(guān)系抽取。
　　本文主要研究工作包括以下兩個(gè)部分：第一，研究人物實(shí)體關(guān)系的自動(dòng)抽取方法。在對(duì)人物實(shí)體關(guān)系表達(dá)文本的特點(diǎn)進(jìn)行深入分析的基礎(chǔ)上，本文設(shè)計(jì)實(shí)現(xiàn)了一種針對(duì)特定關(guān)系單獨(dú)訓(xùn)練分類模型的人物關(guān)系抽取方法。該方法通過提取特定關(guān)系實(shí)體上下文信息及句子的結(jié)構(gòu)特征進(jìn)行有無關(guān)系的分類。針對(duì)關(guān)系分布不平衡現(xiàn)象，采用隨機(jī)過采樣的方式對(duì)人物實(shí)體關(guān)系數(shù)據(jù)進(jìn)行不平衡處理。這一方法在第十五屆機(jī)器學(xué)習(xí)會(huì)議競(jìng)賽中的人物實(shí)體關(guān)系數(shù)據(jù)集上取

3、得了0.6751的F值。第二，研究面向金融領(lǐng)域的實(shí)體關(guān)系自動(dòng)抽取方法。由于缺乏公開的金融實(shí)體關(guān)系語料庫，本文首先制定了金融實(shí)體關(guān)系體系以及實(shí)體關(guān)系標(biāo)注的規(guī)范。在標(biāo)注規(guī)范的指導(dǎo)下，對(duì)金融新聞進(jìn)行實(shí)體關(guān)系標(biāo)注。由此構(gòu)建了包含有7大類關(guān)系類型，共1417條實(shí)體關(guān)系實(shí)例的金融實(shí)體關(guān)系語料庫。針對(duì)金融領(lǐng)域?qū)嶓w關(guān)系表達(dá)的特殊性，提出了一種采用分塊詞袋模型與規(guī)則特征相結(jié)合的特征提取方法，并應(yīng)用隨機(jī)森林分類器實(shí)現(xiàn)金融領(lǐng)域的實(shí)體關(guān)系抽取。該方法在標(biāo)注語料