命名實體識別及其關(guān)系抽取.pdf

1、大數(shù)據(jù)時代已經(jīng)來臨，互聯(lián)網(wǎng)上的數(shù)據(jù)爆炸式增長。知識和資源越來越多，從海量數(shù)據(jù)中抽取出有價值的信息卻變得更加困難。文本是最主要的信息承載媒體。命名實體識別及其關(guān)系抽取就是從文本中抽取出實體相關(guān)的知識的過程，是信息抽取的重要任務(wù)，是眾多自然語言處理領(lǐng)域的基礎(chǔ)，具有重要的研究意義和應(yīng)用價值。
　　命名實體方面，針對機構(gòu)名識別過程中存在著過擬合問題和泛化能力差的問題，提出了構(gòu)建詞語聚類的方式引入語義特征，實驗證明了該特征對泛化能力的提高。

2、另外，本文從維基百科中自動抽取了機構(gòu)名的簡稱詞典并且使用簡稱詞典提高了機構(gòu)名識別的召回率。實驗發(fā)現(xiàn)，綜合使用語義特征和簡稱詞典特征具有最好的效果。與目前最好的中文NLP工具LTP相比，本文實現(xiàn)的機構(gòu)名抽取工具的F1值提高了18％左右。
　　本文提出了使用詞語聚類表示語義特征的方法，并且選擇了CW圖聚類方法進行詞語聚類。然而CW算法存在著振蕩問題，本文提出了振蕩檢測的CW算法，發(fā)生振蕩時進行振蕩節(jié)點類別的統(tǒng)一，使得算法能更快的收斂。