基于圖的中文集成實體鏈接算法研究與實現(xiàn).pdf

1、實體鏈接的定義是指把從純文本中識別出來的命名指稱項與其在知識庫中所指的實體對象一一對應(yīng)起來，如果它所指代的實體對象不在知識庫中，則返回空標記NIL。在互聯(lián)網(wǎng)技術(shù)高速發(fā)展的浪潮下，網(wǎng)絡(luò)上以微博、論壇、新聞等方式存儲的知識內(nèi)容以指數(shù)級的速度在迅速增長，對這些海量數(shù)據(jù)的充分利用與深度挖掘?qū)ψ匀徽Z言處理等相關(guān)技術(shù)提出了更嚴格的要求。其中，命名實體作為自然語言文本中一個關(guān)鍵組成部分，如何快速準確地識別出自然語言文本中命名實體所指代的具體對象（即實

2、體鏈接），對人們理解自然語言文本的含義具有很大的幫助。因此，實體鏈接對自然語言處理領(lǐng)域的發(fā)展有著深刻的促進意義和廣泛的應(yīng)用價值。本文通過對實體鏈接領(lǐng)域的相關(guān)內(nèi)容進行全面調(diào)研，并在國內(nèi)外現(xiàn)有研究的基礎(chǔ)上，針對中文提出了兩種基于圖的集成實體鏈接算法，包括基于上下文圖的集成實體鏈接算法CGCEL和基于語義一致性的集成實體鏈接算法CCEL。
　　本研究主要內(nèi)容包括：⑴提出了一種新的實體相關(guān)圖構(gòu)建方法，該方法在建立實體頂點間的關(guān)系邊時對實體

3、間的關(guān)系進行了細分（劃分為直接關(guān)聯(lián)關(guān)系和間接關(guān)聯(lián)關(guān)系），不僅可以保證實體間語義關(guān)聯(lián)關(guān)系的強度，而且能夠保證實體相關(guān)圖的完整性。⑵為進一步對實體相關(guān)圖進行完善和修正，在實體相關(guān)圖構(gòu)建階段提出了一種增量證據(jù)挖掘算法，該方法通過利用外部知識源提供的實體相關(guān)知識，有效地減少了鏈接算法對本地知識庫的（過度）依賴性，提高了算法的鏈接效果。⑶提出了一種基于上下文圖的集成實體鏈接算法 CGCEL，該算法采用圖的形式對輸入文本中實體指稱項對應(yīng)候選實體間的

4、語義相關(guān)性進行建模，然后求出候選實體的重要性程度得到正確的鏈接對象。實驗結(jié)果顯示，CGCEL算法可以有效地解決實體鏈接問題。⑷提出了一種基于語義一致性的集成實體鏈接算法CCEL，該算法通過更深入地考慮候選實體間的語義相關(guān)性以及通過綜合考慮候選實體與實體指稱項的相關(guān)性和候選實體與輸入文本間的語義相關(guān)性，可以有效地減少噪音候選實體對實體鏈接結(jié)果所產(chǎn)生的負面影響，增強算法對概念上相近實體（即類別相近的實體）的區(qū)分能力，從而顯著提高算法的鏈接效