中文開放式實(shí)體關(guān)系抽取研究與實(shí)現(xiàn).pdf

1、隨著互聯(lián)網(wǎng)信息不斷增長，傳統(tǒng)的返回檢索頁面的信息檢索方式已經(jīng)難以滿足用戶全面快速獲取信息和知識(shí)資源的需求。實(shí)體關(guān)系抽取作為信息抽取重要組成部分，自動(dòng)化地從自然語言中抽取實(shí)體關(guān)系元組的結(jié)構(gòu)化信息，從而為用戶提供更加智能的信息檢索方式，幫助用戶快速理解、掌握互聯(lián)網(wǎng)中日益增長的信息。
　　傳統(tǒng)的關(guān)系抽取主要針對(duì)某些特定領(lǐng)域而且需要預(yù)先定義關(guān)系類型，因此這種方法可移植性差，難以處理大規(guī)模網(wǎng)絡(luò)文本數(shù)據(jù)。為從網(wǎng)絡(luò)文本中抽取實(shí)體關(guān)系元組，本文提

2、出了一種中文開放式實(shí)體關(guān)系抽取算法DPM：首先，通過自動(dòng)獲取大量高質(zhì)量實(shí)體關(guān)系元組和其回標(biāo)的語句作為訓(xùn)練語料，并通過訓(xùn)練語料抽取得到基于詞性和依存句法分析角色的關(guān)系模式；其次，為提高預(yù)處理的準(zhǔn)確性，本文使用依存句法分析統(tǒng)計(jì)規(guī)律對(duì)待抽取文本進(jìn)行兼類詞處理；再次，使用第一步中學(xué)習(xí)得到的關(guān)系模式對(duì)兼類詞處理后的語料進(jìn)行模式匹配并抽取候選實(shí)體關(guān)系元組；最后，對(duì)抽取的候選實(shí)體關(guān)系元組使用機(jī)器學(xué)習(xí)方法進(jìn)行置信度評(píng)估，得到其中高置信度的實(shí)體關(guān)系元組。

3、通過在公開數(shù)據(jù)集Wiki-500、Sina-500以及本文構(gòu)建的Tecent-500、Simple-500數(shù)據(jù)集上對(duì)DPM算法進(jìn)行驗(yàn)證。實(shí)驗(yàn)結(jié)果中，本文提出的中文開放式實(shí)體關(guān)系抽取算法DPM的P-R曲線基本位于相關(guān)工作的右上方。這表明DPM算法的有效性，即當(dāng)大多數(shù)情況下準(zhǔn)確率相同時(shí)DPM算法的召回率更高，當(dāng)召回率相同時(shí)DPM算法的準(zhǔn)確率更高。
　　此外，本文實(shí)現(xiàn)了一個(gè)中文關(guān)系抽取原型系統(tǒng)，系統(tǒng)一方面利用百科網(wǎng)頁中結(jié)構(gòu)化和半結(jié)構(gòu)化信