中文文檔中學術活動事務信息的提取.pdf

1、學術關系網(wǎng)絡屬于社會關系網(wǎng)絡中的一種，而學術關系蘊含在豐富的學術活動事務信息中，隨著我國科學技術評價的發(fā)展，如何從大量的學術活動事務信息中挖掘隱含的學術關系，建立學術關系網(wǎng)絡成為了重要的研究課題。因此，有效的提取這些學術活動事務信息成為了建立學術關系網(wǎng)絡的首要條件。然而學術活動事務信息一般都是以文本的形式存在的，所以本文提出了一種基于條件隨機場的在中文文檔中提取學術活動事務信息的方法。
　　根據(jù)學術活動事務信息描述時具有的長距離依

2、賴關系的特點，采用條件隨機場(Conditional Random Fields，Crfs)的方法對其進行狀態(tài)序列預測。由于我們采用的是crf++作為序列預測的算法工具，因此根據(jù)它對輸入數(shù)據(jù)的要求，進行了訓練數(shù)據(jù)和測試數(shù)據(jù)的準備工作，并且重點研究了在進行特征模板設計時的準則及方法，實現(xiàn)了學術活動事務信息的自動標注。同時，在文本預處理的過程中，采用了正則匹配的方法對分詞不準確的詞語進行了適當?shù)奶幚?。并且根?jù)實驗結果選擇了最優(yōu)模板的組合模板

3、，使學術活動事務信息的標注取得了較為滿意的結果。
　　由于在一般的條件隨機場的訓練過程中都是采用手工收集訓練數(shù)據(jù)，既費時耗力，又不能完全代表所有申請書的語句格式，所以本文采用了一種基于KNN的半監(jiān)督學習方法將訓練數(shù)據(jù)的收集過程進行了改進。該方法是根據(jù)較少的訓練數(shù)據(jù)訓練得到Crfs模型，用驗證數(shù)據(jù)中的標注結果進行KNN分類器的訓練，再用得到的分類規(guī)則在測試數(shù)據(jù)的標注結果中選擇出有意義的未標注數(shù)據(jù)，補充到訓練數(shù)據(jù)中，從而提高訓練數(shù)據(jù)的