基于文本的實體—關(guān)系抽取技術(shù)研究.pdf

1、信息抽?。↖nformation Extraction）技術(shù)可以從非結(jié)構(gòu)化數(shù)據(jù)中抽取人們感興趣的實體、關(guān)系、事件等，形成結(jié)構(gòu)化存儲以供查詢檢索。命名實體識別和實體間關(guān)系抽取是信息抽取中兩個非常重要的子任務(wù)，也是研究的熱點問題。隨著文本數(shù)據(jù)的爆炸式增長，如何使用豐富的未標注語料來提高信息抽取的性能成為一個迫切的問題，在這方面，以有監(jiān)督為代表的傳統(tǒng)方法表現(xiàn)不佳，采用弱監(jiān)督和無監(jiān)督方法進行處理成為當前的趨勢。本文在深入研究總結(jié)前人研究成果的基

2、礎(chǔ)上，對弱監(jiān)督的命名實體識別和關(guān)系抽取進行了改進，并取得了良好的效果。
　　在命名實體識別方面，本文提出了SACRF（Self-training with Active learning based on CRF）方法，依據(jù)少量的初始訓(xùn)練語料和大量未標注數(shù)據(jù)，采用條件隨機場作為基礎(chǔ)分類器，使用自學(xué)習(xí)方法自動擴展未標注語料，并使用主動學(xué)習(xí)標注置信度低的樣本。實驗表明，該方法在自動擴展訓(xùn)練集、提高實體識別的準確率和召回率的同時，能夠顯

3、著降低人工標注的工作量。
　　在關(guān)系抽取方面，基于傳統(tǒng)弱監(jiān)督方法存在的噪聲引入以及準確率不高問題，本文改進了Tri-Training算法的投票策略，并引入主動學(xué)習(xí)思想來進一步提高準確率。在關(guān)系抽取實驗中，改進方法的識別準確率與傳統(tǒng)Tri-Training算法相比具有很大的提升。
　　最后，本文基于所提出方法，實現(xiàn)了一個基于文本數(shù)據(jù)的信息抽取與關(guān)聯(lián)分析可視化原型系統(tǒng)。該系統(tǒng)可以將文本數(shù)據(jù)進行實體、關(guān)系抽取并布局展示，同時具備初