基于上下文的多特征圖模型中文實(shí)體鏈接技術(shù).pdf

1、網(wǎng)絡(luò)信息的發(fā)展與語義搜索需求的不斷增長，使得知識(shí)庫的擴(kuò)充成為自然語言處理研究領(lǐng)域的熱點(diǎn)。實(shí)體鏈接正是知識(shí)庫擴(kuò)充的核心關(guān)鍵技術(shù)，是將文本中的實(shí)體指稱表述項(xiàng)正確鏈接到知識(shí)庫中實(shí)體的過程，具有重要的理論研究價(jià)值和實(shí)際應(yīng)用價(jià)值。目前大多數(shù)實(shí)體鏈接技術(shù)處理的語言為英文，針對中文的研究仍處于起步階段，造成這一現(xiàn)象的主要原因包括：缺乏統(tǒng)一且權(quán)威的中文開源知識(shí)庫和語料庫；中文的實(shí)體抽取技術(shù)受制于中文分詞，并且中文的語義豐富、語法更加靈活，消歧難度比英文

2、大，使得其仍然停留在命名實(shí)體的表述層面，不能很好地獲取實(shí)體的語義信息。針對以上問題，本文以當(dāng)前主流的英文實(shí)體鏈接技術(shù)為基礎(chǔ)，結(jié)合目前中文的研究現(xiàn)狀，提出了一種基于上下文的多特征圖模型的解決方案。
　　本研究主要內(nèi)容包括：⑴選取中文維基百科作為此次實(shí)體鏈接任務(wù)的知識(shí)庫支撐，并且從NIST(National Institute of Standards and Technology，美國國家標(biāo)準(zhǔn)與技術(shù)研究院)在TAC(Text Ana

3、lysis Conference，文本分析會(huì)議)的KBP(Knowledge Base Population，知識(shí)庫擴(kuò)充)子任務(wù)提供的官方評測數(shù)據(jù)中，抽取中文語料信息，構(gòu)造語料庫和實(shí)驗(yàn)數(shù)據(jù)集；⑵從實(shí)體指稱表述項(xiàng)的上下文和維基百科數(shù)據(jù)庫兩個(gè)方面入手，充分抽取實(shí)體之間的多種特征并量化為語義相似度，然后將語義相似度融合到構(gòu)建的圖模型中，利用圖模型的主題一致性的特點(diǎn)，對候選實(shí)體進(jìn)行排序，完成實(shí)體鏈接，達(dá)到提高中文分詞的準(zhǔn)確性和增加實(shí)體語義信息的