關于維基百科中的實體類別推斷方法的研究.pdf

1、近年來，基于維基百科的知識庫構建得到人們的大量關注，維基百科中各種不同的語義信息被挖掘出來，而其中最重要的語義信息之一就是實體類別(Type)信息。目前在維基百科中推斷實體類別的數(shù)據(jù)源主要分為兩種:一種是從維基百科半結構化數(shù)據(jù)，如信息框(Infobox)和文章分類(Category)中推斷實體類別;另一種是在維基百科文章摘要部分進行實體類別推斷。但是現(xiàn)有工作未考慮維基百科中大規(guī)模的文章正文，而其中恰恰隱含了大量的實體類別信息。為了進一步

2、補充現(xiàn)有知識庫中的實體類別信息，本文旨在從維基百科中的全部文本數(shù)據(jù)（文章摘要+正文）中進行實體類別推斷。目前，基于文本的實體類別推斷在自然語言處理領域存在一些相關研究，但這些方法存在如下問題:1）通過統(tǒng)計機器學習方法進行實體類別推斷的方法需要大量訓練數(shù)據(jù)，而現(xiàn)有獲取的訓練數(shù)據(jù)中存在大量噪聲，2）嚴重依賴于人工定義的特征或者規(guī)則，3）無法說明為什么實體被推斷為某個類別，即不具備可解釋性。因此，研究如何在克服以上問題的基礎上有效地在維基百科

3、全部文本中進行實體類別推斷是一個值得研究的課題。本文提出了一個從維基百科文本獲得訓練數(shù)據(jù)的方法，基于這些訓練數(shù)據(jù)構造了一個圖模型，從中抽取出用于實體類別推斷的模式。該模式抽取方法不依賴于人工定義的特征，同時用于實體類別推斷的模式具有可解釋性。
　　具體而言，本文的主要貢獻有以下三點內容:
　　1)本文提出了一種通過啟發(fā)式規(guī)則與隨機游走獲取訓練數(shù)據(jù)的方法。相比之下，目前一些從維基百科獲取訓練數(shù)據(jù)的方法會造成大量噪聲，對實驗結果

4、產生不良影響。
　　2)本文提出了一種基于維基百科訓練數(shù)據(jù)的細粒度實體類別推斷方法。本文構建一個基于詞嵌入的圖模型，通過Bootstrapping算法從中抽取出用于實體類別推斷的模式。然后嘗試將實體所在的上下文與這些模式進行匹配，如能夠匹配某一模式，則句子中的實體將被推斷為模式對應的類別，同時模式可作為推斷得到的實體類別的解釋。實驗結果表明，本文方法在不同的數(shù)據(jù)集上均優(yōu)于現(xiàn)有的基于文本的實體類別推斷方法。
　　3)本文提出的