領(lǐng)域自適應(yīng)的中文實(shí)體關(guān)系抽取研究.pdf

1、隨著計(jì)算機(jī)的快速普及，互聯(lián)網(wǎng)的迅猛發(fā)展，各式各樣的信息呈爆炸式增加，如何從海量數(shù)據(jù)中準(zhǔn)確、快速地獲取用戶真正需要的信息成為人們關(guān)注的話題。信息抽取的主要目的是將非結(jié)構(gòu)化的自然語(yǔ)言文本轉(zhuǎn)化成半結(jié)構(gòu)化或結(jié)構(gòu)化的數(shù)據(jù)，方便人們準(zhǔn)確、快速地獲取關(guān)鍵信息。關(guān)系抽取作為信息抽取的子任務(wù)和關(guān)鍵技術(shù)之一，已經(jīng)逐漸發(fā)展成為眾多自然語(yǔ)言處理任務(wù)的重要支撐技術(shù)。
　　傳統(tǒng)的關(guān)系抽取方法需要預(yù)先定義關(guān)系類型，依賴于大量人工標(biāo)注的訓(xùn)練語(yǔ)料庫(kù)，難以滿足互聯(lián)網(wǎng)

2、海量信息處理的需求。本文提出了一種新的關(guān)系抽取研究框架，探索最大程度地避免人工參與，且具有較強(qiáng)領(lǐng)域自適應(yīng)能力的關(guān)系抽取解決方案，提高關(guān)系抽取的自動(dòng)化程度，增強(qiáng)可移植性。
　　首先，通過分析關(guān)系實(shí)例上下文語(yǔ)言現(xiàn)象發(fā)現(xiàn)，絕大多數(shù)產(chǎn)生語(yǔ)義關(guān)系的實(shí)體對(duì)均可以由其上下文中的一般動(dòng)詞和一般名詞觸發(fā)描述（統(tǒng)稱為特征詞），由此，本文提出基于特征詞聚類的方法，在一定規(guī)模的未標(biāo)注語(yǔ)料庫(kù)上實(shí)現(xiàn)關(guān)系類型的自動(dòng)發(fā)現(xiàn)，實(shí)驗(yàn)中達(dá)到了與人工預(yù)定義關(guān)系類型相當(dāng)?shù)男?/p>

3、果；其次，針對(duì)大量待處理的關(guān)系類型，本文提出基于Web Mining的關(guān)系種子集自動(dòng)抽取方法，充分利用搜索引擎收集和處理大規(guī)模真實(shí)數(shù)據(jù)的能力和優(yōu)勢(shì)，抽取具有代表性的實(shí)體關(guān)系核心網(wǎng)，經(jīng)過在選取的9種關(guān)系類型上進(jìn)行實(shí)驗(yàn)，平均準(zhǔn)確率達(dá)到了90.91％；再次，根據(jù)中文語(yǔ)言學(xué)特點(diǎn)，本文定義了啟發(fā)式上下文模式及其泛化策略，引入 Bootstrapping方法，以實(shí)體關(guān)系核心網(wǎng)作為輸入，在未標(biāo)注語(yǔ)料庫(kù)上迭代地挖掘關(guān)系描述模式，并抽取關(guān)系元組，通過對(duì)采