命名實體間語義關(guān)系抽取研究.pdf

1、命名實體間語義關(guān)系抽取是信息抽取中的重要環(huán)節(jié)，也是自然語言處理領(lǐng)域的熱點問題之一。隨著Internet的快速發(fā)展和網(wǎng)上信息量的迅猛增長，從自由文本中抽取出有用的結(jié)構(gòu)化信息具有極其重要的意義。同時，伴隨著自然語言處理技術(shù)和機器學(xué)習(xí)技術(shù)的不斷發(fā)展和成熟，從大量的自由文本中抽取出有用信息甚至知識也成為可能。 近年來，雖然信息抽取研究已經(jīng)取得了一定的進展，但是在語義關(guān)系抽取方面，其性能一直徘徊在70％左右，并且要求具備大規(guī)模的標注語料庫

2、，因而距離實用化還有一段距離。這是由于語義關(guān)系抽取任務(wù)本身比較復(fù)雜，且對文本的具體領(lǐng)域依賴性強。本文以減少語義關(guān)系抽取系統(tǒng)對大規(guī)模語料庫的依賴性為研究主線，探索新的方法和策略，推進信息抽取的實用化進程。 本文對語義關(guān)系抽取中的關(guān)鍵技術(shù)展開研究，研究內(nèi)容主要包括： 1.研究基于特征向量的語義關(guān)系抽取方法，重點探索了如何從自由文本及其語法結(jié)構(gòu)中抽取出各種表面特征和結(jié)構(gòu)化特征，并分析了這些不同的特征對語義關(guān)系抽取的貢獻，從而為

3、后續(xù)研究工作指明了正確的方向。 2.研究基于樹核函數(shù)的語義關(guān)系抽取方法，重點探索了關(guān)系實例的結(jié)構(gòu)化信息的各種表達形式，提出了基于成分依存理論的動態(tài)關(guān)系樹。根據(jù)依存規(guī)則從句法樹中得到的動態(tài)關(guān)系樹，既能涵蓋關(guān)系實例的關(guān)鍵信息，又能刪除不必要的噪音。實驗表明，動態(tài)關(guān)系樹能顯著提高語義關(guān)系抽取的性能，尤其是召回率。 3.研究實體語義信息在語義關(guān)系抽取中的作用，提出了實體語義信息的結(jié)構(gòu)化表示方法——實體語義樹，并將它和句法結(jié)構(gòu)化信

4、息——動態(tài)關(guān)系樹有機結(jié)合起來，構(gòu)成了合一句法和實體語義樹。實驗表明，合一句法和實體語義樹能有效捕獲關(guān)系實例的結(jié)構(gòu)化信息和實體的語義信息，顯著提高基于樹核函數(shù)的關(guān)系抽取系統(tǒng)的性能。 4.研究基于弱指導(dǎo)的語義關(guān)系抽取方法，將統(tǒng)計學(xué)中的分層抽樣理論應(yīng)用到弱指導(dǎo)學(xué)習(xí)中來，提出了基于分層抽樣策略的初始種子集選取方法。由于采用分層策略選取出來的初始種子比隨機選取的種子更具有代表性和典型性，因而它能取得更好的自舉性能。同時，將分層抽樣理論應(yīng)用

5、于自舉學(xué)習(xí)的訓(xùn)練集擴展，也能在一定程度上提高了關(guān)系抽取的性能。 5.研究基于標注傳播算法的語義關(guān)系抽取方法，探索了采用自舉加權(quán)支撐矢量的標注實例產(chǎn)生方法，以緩解標注傳播算法所需要的計算資源問題。首先采用協(xié)同學(xué)習(xí)的方法通過SVM自舉產(chǎn)生加權(quán)支撐矢量，這些關(guān)鍵實例能有效捕獲語料庫中已標注實例和未標注實例的自然簇結(jié)構(gòu)，并作為源標記實例輸入到標記傳播算法中。實驗結(jié)果表明，采用自舉加權(quán)支撐矢量的標注傳播算法其性能和效率都有明顯的提高。

6、 本文的主要貢獻在于對語義關(guān)系抽取中的關(guān)鍵技術(shù)進入了深入的研究和探索，并應(yīng)用統(tǒng)計機器學(xué)習(xí)的方法解決關(guān)系抽取中的熱點難題；提出了利用成分依存理論生成有效捕獲結(jié)構(gòu)化信息的動態(tài)關(guān)系樹；研究了將實體語義樹和動態(tài)關(guān)系樹有機結(jié)合起來的方法；將統(tǒng)計學(xué)中的分層采樣理論應(yīng)用到弱指導(dǎo)關(guān)系抽取的初始種子集的方法研究；探索了基于自舉加權(quán)支撐矢量的標注傳播算法。這些方法的研究和所取得的成果有助于提高語義關(guān)系抽取的性能，減少對大規(guī)模語料庫的依賴性，對今后信息抽