領(lǐng)域文本資源實(shí)體鏈接算法研究.pdf

1、在飛速發(fā)展的信息時(shí)代，網(wǎng)絡(luò)已經(jīng)成為人類(lèi)獲取信息最主要的渠道。近年來(lái)，大型協(xié)同創(chuàng)作資源維基百科和基于維基百科建造的知識(shí)庫(kù)的出現(xiàn)，推動(dòng)了基于維基百科知識(shí)的文檔的分類(lèi)與聚類(lèi)、語(yǔ)義相關(guān)性、實(shí)體鏈接等研究的興起。其中，實(shí)體鏈接就是將自然語(yǔ)言文本中的模糊實(shí)體映射到知識(shí)庫(kù)中一組已知目標(biāo)實(shí)體的過(guò)程。對(duì)于普通用戶(hù)來(lái)說(shuō)，領(lǐng)域文本中大量具有領(lǐng)域特征的名稱(chēng)得不到理解，使得閱讀和學(xué)習(xí)變得十分困難。通過(guò)實(shí)體鏈接，將自由文本中的名稱(chēng)鏈接到知識(shí)庫(kù)中的一個(gè)最合適的相關(guān)實(shí)

2、體，使閱讀者更加快捷方便地了解領(lǐng)域術(shù)語(yǔ)的釋義，改進(jìn)閱讀體驗(yàn)。因此，針對(duì)領(lǐng)域文本的實(shí)體鏈接研究具有非常重要的意義。
　　本文首先闡述了實(shí)體鏈接的研究背景及意義和國(guó)內(nèi)外研究現(xiàn)狀，并重點(diǎn)介紹了幾個(gè)具有代表性的實(shí)體鏈接算法，分析了不同實(shí)體鏈接方法的優(yōu)點(diǎn)和不足。其次，提出一種面向領(lǐng)域文本的兩階段實(shí)體鏈接方法 TSELG（Two Stages of Entity Linking on Graph）。該算法根據(jù)候選實(shí)體數(shù)量把實(shí)體鏈接過(guò)程分為兩個(gè)

3、階段，第一階段采用傳統(tǒng)算法鏈接相對(duì)明確的名稱(chēng)，并根據(jù)已經(jīng)鏈接的實(shí)體確定文章所屬的領(lǐng)域；第二階段利用第一階段的結(jié)果以及已鏈接實(shí)體的領(lǐng)域信息對(duì)相對(duì)不易鏈接的名稱(chēng)進(jìn)行實(shí)體鏈接。為了保證實(shí)體鏈接算法的準(zhǔn)確性，抽取維基百科語(yǔ)料信息，預(yù)處理形成四類(lèi)映射表，為實(shí)體鏈接算法中相似度計(jì)算提供基本語(yǔ)義信息。最后，提出的TSELG實(shí)體鏈接算法進(jìn)行實(shí)驗(yàn)驗(yàn)證，在真實(shí)數(shù)據(jù)集上與當(dāng)前主流實(shí)體鏈接系統(tǒng)作對(duì)比測(cè)試。實(shí)驗(yàn)結(jié)果表明，該方法與經(jīng)典算法比較，能夠兼顧準(zhǔn)確率及執(zhí)行