信息抽取中實體關系識別研究.pdf

1、信息抽取研究隨著互聯(lián)網(wǎng)的發(fā)展變得越來越重要，一個典型的信息抽取任務是從無結構化或者半結構化的文本中，通過信息抽取技術，提取人們所感興趣的內容，并以結構化的形式，例如關系數(shù)據(jù)庫形式或者XML形式保存下來。信息抽取技術可以應用于多個領域，比如學術搜索、商品搜索、文本挖掘、知識庫構建等等。由于信息抽取技術的廣泛應用，信息抽取算法的研究越來越成為當前信息檢索領域的熱點。
　　 信息抽取任務包含了多個子任務，比如事件抽取和共指關系確定等等

2、。但是從應用的廣泛程度以及研究的深入程度來看，信息抽取任務包含了兩個主要的子任務：命名實體識別任務和實體關系抽取任務。命名實體識別子任務的目標主要是識別文本中包含的各種名實體，比如：人名、地名、公司組織名和時間短語等等。而實體關系抽取子任務的目標主要是發(fā)現(xiàn)和識別隱含在實體與實體之間的關系。因此從廣義上來說，實體關系抽取包含了命名實體識別任務。
　　 目前信息抽取研究已經(jīng)取得了很多的成果，也越來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體類型和實體關系類型或者只能局限于某些特定的領域。而采用統(tǒng)計學習的方法的系統(tǒng)，往往局限于對文本淺層特征的利用以及依賴于少量特定領域的訓練文本，使得它們的效果往往不盡如人意。
　　 本論文對信息抽取工作的已有研究成果進行了總結，分析了信息抽取任務的關鍵問題，并在命名實體識別、實體關系抽取以及實體關系時間屬性抽取等方面

4、進行了研究，提出了相應的解決方法。
　　 論文首先介紹了信息抽取系統(tǒng)的發(fā)展歷史和相應的研究成果。分別介紹了命名實體識別和實體關系抽取這兩個子任務的關鍵技術、相關研究以及存在的問題。
　　 邊界分割是中文命名實體識別算法中的一個關鍵問題。論文提出了一種基于網(wǎng)頁結構特征的候選實體生成算法，并將中文實體識別問題轉化為一個分類問題。同時論文提出了基于DOM-Tree的實體關聯(lián)算法，根據(jù)樹距離就近原則和相關信息不沖突原則，提高了實

5、體之間關聯(lián)的準確度。
　　 深層語義特征的利用是實體關系抽取中的一個研究熱點。論文提出了一種基于鏈接語法的實體關系抽取方法，該算法根據(jù)詞與詞之間的依賴語法關系，定義了深層的語法特征，并利用監(jiān)督學習的方法加以識別，從而提高了抽取的準確度。同時該算法還考慮了實體關系的時間屬性抽取，進一步完善了實體關系含義的完整性。
　　 知識庫的建設是信息抽取系統(tǒng)的主要應用之一。本論文提出了一種帶時間屬性的知識庫的創(chuàng)建方法。首先給出了帶時間

6、屬性知識庫的表示模型以及時間屬性的演算法則，并針對半結構化數(shù)據(jù)和無結構化數(shù)據(jù)分別設計了相應的抽取算法。在缺乏時間屬性的情況下，論文采用了基于頁面級別的時間屬性推理方法和基于知識庫級別的時間屬性推理方法，提高了算法的覆蓋率。
　　 最后論文還關注了未定義類型實體關系抽取方法，部分解決了大部分信息抽取系統(tǒng)只能處理預定義關系類型的瓶頸。算法采用了基于語義角色標注的關系類型動態(tài)識別方法，并采用條件隨機場作為標注工具，將未定義類型實體關系

7、識別問題通過標注的方法解決。
　　 論文的主要貢獻可以總結為如下幾個方面：
　　 1)提出一種基于網(wǎng)頁結構的中文命名實體識別和關聯(lián)算法。設計了基于網(wǎng)頁結構特征的候選實體生成技術；提出了基于DOM-Tree的實體關聯(lián)原則：樹距離就近原則和相關信息不沖突原則。
　　 2)提出一種基于深層語義特征的帶時間屬性實體關系識別算法。采用了詞與詞之間的依賴語法關系作為識別特征；抽取實體關系的同時考慮了時間屬性的識別。