中文開放式多元實體關(guān)系抽取.pdf

1、信息抽取是指從文本中抽取指定類型的實體詞、關(guān)系詞、時間、地點、事件等多層次的語義信息，并將這些信息轉(zhuǎn)化成結(jié)構(gòu)化格式進(jìn)行輸出。隨著網(wǎng)絡(luò)信息的指數(shù)型增長，加之在今天人工智能的快速發(fā)展，信息抽取逐漸成了熱門研究領(lǐng)域。而實體關(guān)系抽取是信息抽取的一個重要環(huán)節(jié)，同時也是一個重要任務(wù)，實體關(guān)系抽取的主要內(nèi)容是抽取文本中的實體關(guān)系類型和實體關(guān)系值。實體關(guān)系抽取對于知識圖譜構(gòu)建和領(lǐng)域本體、問答系統(tǒng)、文本相似度計算以及語義理解和文本摘要提取等更深層次的自然

2、語言處理問題都具有重要的理論和實踐意義。
　　實體關(guān)系抽取的研究包括傳統(tǒng)式實體關(guān)系抽取和開放式實體關(guān)系抽取。其中，傳統(tǒng)實體關(guān)系抽取主要面向限定領(lǐng)域文本、限定類別實體和關(guān)系的抽取，需要針對某一限定領(lǐng)域建立語言模型進(jìn)行抽取。然而隨著互聯(lián)網(wǎng)信息的指數(shù)型增長和互聯(lián)網(wǎng)信息所具有的跨領(lǐng)域特性，使得傳統(tǒng)式實體關(guān)系抽取無法滿足網(wǎng)絡(luò)文本抽取的需求。從而，開放式信息抽取成為了信息抽取的一個重要研究領(lǐng)域，它的主要任務(wù)是從大規(guī)模異構(gòu)、跨領(lǐng)域文本中抽取實體

3、、關(guān)系、事件等多層次語義信息，并且以結(jié)構(gòu)化格式輸出，使得可以跨領(lǐng)域地、大規(guī)模地對網(wǎng)絡(luò)文本進(jìn)行處理。
　　針對英文文本的開放式實體關(guān)系抽取主要分為兩個階段：先對實體詞進(jìn)行抽取的階段和先對關(guān)系詞進(jìn)行抽取的階段。在針對中文文本實體關(guān)系抽取方面的研究主要集中在二元關(guān)系抽取以及使用淺層語義特征進(jìn)行抽取的方法。因此本文提出了基于依存關(guān)系分析的針對中文文本的開放式實體關(guān)系抽取方法，該方法可以用于抽取多元關(guān)系，并且加入了深層語義特征使得抽取的準(zhǔn)確

4、性得到了提供。本文在上述方法的基礎(chǔ)上設(shè)計并實現(xiàn)了抽取系統(tǒng)。
　　本文提出了面對大規(guī)模、異構(gòu)中文網(wǎng)絡(luò)文本的基于依存關(guān)系的開放式信息抽取方法，首先對網(wǎng)絡(luò)文本進(jìn)行預(yù)處理，包括網(wǎng)頁正文文本抽取、中文分詞、中文詞性標(biāo)注和依存關(guān)系分析，然后使用啟發(fā)式規(guī)則進(jìn)行基本名詞短語識別并通過基于詞間依存關(guān)系的啟發(fā)式規(guī)則獲取候選實體關(guān)系多元組，接著通過經(jīng)過訓(xùn)練的機(jī)器學(xué)習(xí)分類器對候選實體關(guān)系多元組進(jìn)行過濾得到最終的實體關(guān)系多元組，最后將過濾得到的實體關(guān)系組進(jìn)

5、行標(biāo)準(zhǔn)化過程后保存在數(shù)據(jù)庫中。抽取出的大規(guī)模的實體關(guān)系組也可以用于其他的自然語言處理方面的任務(wù)。
　　本文使用語言技術(shù)平臺云(Language Technology Platform-Cloud, LTP-Cloud）進(jìn)行文本預(yù)處理，定義了一系列基本名詞短語的詞性組合規(guī)則和一系列基于依存關(guān)系的抽取實體關(guān)系多元組的規(guī)則。在過濾階段，以詞個數(shù)、詞性、詞間距離等方面為特征訓(xùn)練得到機(jī)器學(xué)習(xí)分類器，對候選關(guān)系組進(jìn)行一個正確與否的判斷與過濾。