刑事案件文本信息抽取研究.pdf

1、學(xué)位論文獨創(chuàng)性聲明本人鄭重聲明：所提交的學(xué)位是本人在導(dǎo)師指導(dǎo)下進(jìn)行的研究工作和取得的研究成果。本論文中除引文外，所有實驗、數(shù)據(jù)和有關(guān)材料均是真實的。本論文中除引文和致謝的內(nèi)容外，不包含其他人或其它機構(gòu)已經(jīng)發(fā)表或撰寫過的研究成果。其他同志對本研究所做的貢獻(xiàn)均已在論文中作了聲明并表示了謝意。學(xué)位論文儲虢碡耕日期圳王f、》一摘要111111IIII1IIIlrlIIIIlY1924060摘要信息抽取是為了滿足信息爆炸時代從海量信息中快速有效獲

2、取所需信息而出現(xiàn)的一種研究方向。目前，信息抽取在醫(yī)學(xué)、經(jīng)濟(jì)、圖書等多個領(lǐng)域都得到了成功的運用，而涉足公安領(lǐng)域信息抽取的研究還比較鮮見。目前在公安領(lǐng)域，案件信息急劇增長，雖然公安辦公逐步實現(xiàn)了信息化，但仍存在相當(dāng)一部分的案件信息，以自由文本形式存在，需要信息抽取技術(shù)從中抽取結(jié)構(gòu)化信息，進(jìn)而存入數(shù)據(jù)庫中供后續(xù)的數(shù)據(jù)挖掘研究。本文在對案件文本特點進(jìn)行分析的基礎(chǔ)上，以刑事類案件文本為對象進(jìn)行了信息抽取研究。研究內(nèi)容主要包括：命名實體識別、刑事案

3、件框架體系構(gòu)建、案件中原子事件的信息抽取等三個方面?；陬I(lǐng)域特點，我們在實驗中主要采用知識表輔助機器學(xué)習(xí)的方法，統(tǒng)計模型選用了條件隨機場(CRF)。命名實體識別是信息抽取的基礎(chǔ)。根據(jù)公安領(lǐng)域?qū)嶋H需要，我們定義了人名、性別、年齡、籍貫、住址、案件名、貨幣會額、時間、地點、機構(gòu)、方式、頻次、人數(shù)等13種命名實體，根據(jù)領(lǐng)域用字特點制作“刑事案件文本常用詞表”，幫助快速諺別實體或定位實體邊界?；谖谋咎攸c將實體識別任務(wù)分為兩層：先識別基本實體，

4、再在此基礎(chǔ)上識別案件名實體。在框架理論的指導(dǎo)下，我們?yōu)樾淌掳讣谋緲?gòu)建了框架體系，將案件文本分為基本信息模塊和事件信息模塊，且事件分化為各種類型的原子事件，為案件文本信息的結(jié)構(gòu)化表示提供了數(shù)據(jù)結(jié)構(gòu)的支持。原子事件的信息抽取主要分兩步實現(xiàn)：事件類型的識別和事件元素的識別。定義破案事件、抓獲事件、報案事件三類原子事件為研究對象。通過人工抽耿和《同義詞詞林》擴展獲得的“觸發(fā)詞——事件類型對照表”，過濾得候選事件集，以此輔助CRF模型進(jìn)行事件類