基于信息抽取的實(shí)體知識庫系統(tǒng)研究.pdf

1、近年來，互聯(lián)網(wǎng)發(fā)展迅速，網(wǎng)絡(luò)數(shù)據(jù)量飛速增長，這使得傳統(tǒng)的方法很難從海量的網(wǎng)絡(luò)數(shù)據(jù)中有效的提取出有用的信息。信息抽取與實(shí)體知識庫的提出可以有效的解決這一問題。論文基于信息抽取中命名實(shí)體識別與實(shí)體關(guān)系抽取技術(shù)構(gòu)建實(shí)體知識庫系統(tǒng)。論文的研究工作得到了國家自然科學(xué)基金項(xiàng)目(No.61271308、61172072、61401015)和北京市教育委員會研究生學(xué)科建設(shè)項(xiàng)目的支持。論文的主要工作如下:
　　論文針對中文的命名實(shí)體識別一直存在邊界

2、難以界定、命名規(guī)則多樣等問題，依據(jù)相同類別的中文命名實(shí)體往往具有結(jié)構(gòu)或規(guī)則的相似性的特點(diǎn)，分實(shí)體類別采用不同的識別過程，實(shí)現(xiàn)命名實(shí)體的有效識別。提出通過設(shè)置不同的特征模板，使用條件隨機(jī)場算法訓(xùn)練得到實(shí)體識別模板，并且針對識別難度較高的地名實(shí)體、組織機(jī)構(gòu)實(shí)體采用校準(zhǔn)規(guī)則，提升整體識別效果，完成命名實(shí)體識別模型的構(gòu)建。
　　此外，論文提出了一種面向網(wǎng)絡(luò)新聞?wù)Z料，從大規(guī)模數(shù)據(jù)中抽取實(shí)體關(guān)系的無監(jiān)督實(shí)體關(guān)系抽取模型，該方法可以克服傳統(tǒng)實(shí)體

3、關(guān)系抽取方法所具有的人工投入量大、領(lǐng)域移植性差的缺點(diǎn)。該模型構(gòu)建新的關(guān)系識別函數(shù)，對有關(guān)系的實(shí)體對進(jìn)行識別;使用句法分析構(gòu)建規(guī)則，提取關(guān)系特征詞，并結(jié)合“上下文窗口”的特征詞提取方法的結(jié)果，建立關(guān)系特征詞列表;采用聚類效果較傳統(tǒng)k-means算法表現(xiàn)更為優(yōu)異的相似性傳播算法，實(shí)現(xiàn)特征詞的聚類。經(jīng)過實(shí)體對篩選、特征詞提取、特征詞聚類，得到實(shí)體關(guān)系。
　　為了驗(yàn)證方法的有效性，論文使用網(wǎng)絡(luò)獲取的語料，分別對設(shè)計的方案進(jìn)行了實(shí)驗(yàn)驗(yàn)證。經(jīng)