信息抽取中實(shí)體關(guān)系識(shí)別研究.pdf

1、信息抽取研究隨著互聯(lián)網(wǎng)的發(fā)展變得越來(lái)越重要，一個(gè)典型的信息抽取任務(wù)是從無(wú)結(jié)構(gòu)化或者半結(jié)構(gòu)化的文本中，通過信息抽取技術(shù)，提取人們所感興趣的內(nèi)容，并以結(jié)構(gòu)化的形式，例如關(guān)系數(shù)據(jù)庫(kù)形式或者XML形式保存下來(lái)。信息抽取技術(shù)可以應(yīng)用于多個(gè)領(lǐng)域，比如學(xué)術(shù)搜索、商品搜索、文本挖掘、知識(shí)庫(kù)構(gòu)建等等。由于信息抽取技術(shù)的廣泛應(yīng)用，信息抽取算法的研究越來(lái)越成為當(dāng)前信息檢索領(lǐng)域的熱點(diǎn)。
　　 信息抽取任務(wù)包含了多個(gè)子任務(wù)，比如事件抽取和共指關(guān)系確定等等

2、。但是從應(yīng)用的廣泛程度以及研究的深入程度來(lái)看，信息抽取任務(wù)包含了兩個(gè)主要的子任務(wù)：命名實(shí)體識(shí)別任務(wù)和實(shí)體關(guān)系抽取任務(wù)。命名實(shí)體識(shí)別子任務(wù)的目標(biāo)主要是識(shí)別文本中包含的各種名實(shí)體，比如：人名、地名、公司組織名和時(shí)間短語(yǔ)等等。而實(shí)體關(guān)系抽取子任務(wù)的目標(biāo)主要是發(fā)現(xiàn)和識(shí)別隱含在實(shí)體與實(shí)體之間的關(guān)系。因此從廣義上來(lái)說(shuō)，實(shí)體關(guān)系抽取包含了命名實(shí)體識(shí)別任務(wù)。
　　 目前信息抽取研究已經(jīng)取得了很多的成果，也越來(lái)越走入人們的日常生活，比如像谷歌的本

3、地搜索等等。但是信息抽取技術(shù)仍然面臨著很多困難。成熟的信息抽取系統(tǒng)往往采用模式匹配的方法，因而只能局限于某些特定的實(shí)體類型和實(shí)體關(guān)系類型或者只能局限于某些特定的領(lǐng)域。而采用統(tǒng)計(jì)學(xué)習(xí)的方法的系統(tǒng)，往往局限于對(duì)文本淺層特征的利用以及依賴于少量特定領(lǐng)域的訓(xùn)練文本，使得它們的效果往往不盡如人意。
　　 本論文對(duì)信息抽取工作的已有研究成果進(jìn)行了總結(jié)，分析了信息抽取任務(wù)的關(guān)鍵問題，并在命名實(shí)體識(shí)別、實(shí)體關(guān)系抽取以及實(shí)體關(guān)系時(shí)間屬性抽取等方面

4、進(jìn)行了研究，提出了相應(yīng)的解決方法。
　　 論文首先介紹了信息抽取系統(tǒng)的發(fā)展歷史和相應(yīng)的研究成果。分別介紹了命名實(shí)體識(shí)別和實(shí)體關(guān)系抽取這兩個(gè)子任務(wù)的關(guān)鍵技術(shù)、相關(guān)研究以及存在的問題。
　　 邊界分割是中文命名實(shí)體識(shí)別算法中的一個(gè)關(guān)鍵問題。論文提出了一種基于網(wǎng)頁(yè)結(jié)構(gòu)特征的候選實(shí)體生成算法，并將中文實(shí)體識(shí)別問題轉(zhuǎn)化為一個(gè)分類問題。同時(shí)論文提出了基于DOM-Tree的實(shí)體關(guān)聯(lián)算法，根據(jù)樹距離就近原則和相關(guān)信息不沖突原則，提高了實(shí)

5、體之間關(guān)聯(lián)的準(zhǔn)確度。
　　 深層語(yǔ)義特征的利用是實(shí)體關(guān)系抽取中的一個(gè)研究熱點(diǎn)。論文提出了一種基于鏈接語(yǔ)法的實(shí)體關(guān)系抽取方法，該算法根據(jù)詞與詞之間的依賴語(yǔ)法關(guān)系，定義了深層的語(yǔ)法特征，并利用監(jiān)督學(xué)習(xí)的方法加以識(shí)別，從而提高了抽取的準(zhǔn)確度。同時(shí)該算法還考慮了實(shí)體關(guān)系的時(shí)間屬性抽取，進(jìn)一步完善了實(shí)體關(guān)系含義的完整性。
　　 知識(shí)庫(kù)的建設(shè)是信息抽取系統(tǒng)的主要應(yīng)用之一。本論文提出了一種帶時(shí)間屬性的知識(shí)庫(kù)的創(chuàng)建方法。首先給出了帶時(shí)間

6、屬性知識(shí)庫(kù)的表示模型以及時(shí)間屬性的演算法則，并針對(duì)半結(jié)構(gòu)化數(shù)據(jù)和無(wú)結(jié)構(gòu)化數(shù)據(jù)分別設(shè)計(jì)了相應(yīng)的抽取算法。在缺乏時(shí)間屬性的情況下，論文采用了基于頁(yè)面級(jí)別的時(shí)間屬性推理方法和基于知識(shí)庫(kù)級(jí)別的時(shí)間屬性推理方法，提高了算法的覆蓋率。
　　 最后論文還關(guān)注了未定義類型實(shí)體關(guān)系抽取方法，部分解決了大部分信息抽取系統(tǒng)只能處理預(yù)定義關(guān)系類型的瓶頸。算法采用了基于語(yǔ)義角色標(biāo)注的關(guān)系類型動(dòng)態(tài)識(shí)別方法，并采用條件隨機(jī)場(chǎng)作為標(biāo)注工具，將未定義類型實(shí)體關(guān)系

7、識(shí)別問題通過標(biāo)注的方法解決。
　　 論文的主要貢獻(xiàn)可以總結(jié)為如下幾個(gè)方面：
　　 1)提出一種基于網(wǎng)頁(yè)結(jié)構(gòu)的中文命名實(shí)體識(shí)別和關(guān)聯(lián)算法。設(shè)計(jì)了基于網(wǎng)頁(yè)結(jié)構(gòu)特征的候選實(shí)體生成技術(shù)；提出了基于DOM-Tree的實(shí)體關(guān)聯(lián)原則：樹距離就近原則和相關(guān)信息不沖突原則。
　　 2)提出一種基于深層語(yǔ)義特征的帶時(shí)間屬性實(shí)體關(guān)系識(shí)別算法。采用了詞與詞之間的依賴語(yǔ)法關(guān)系作為識(shí)別特征；抽取實(shí)體關(guān)系的同時(shí)考慮了時(shí)間屬性的識(shí)別。