領域文本資源實體鏈接算法研究.pdf

1、在飛速發(fā)展的信息時代，網(wǎng)絡已經(jīng)成為人類獲取信息最主要的渠道。近年來，大型協(xié)同創(chuàng)作資源維基百科和基于維基百科建造的知識庫的出現(xiàn)，推動了基于維基百科知識的文檔的分類與聚類、語義相關性、實體鏈接等研究的興起。其中，實體鏈接就是將自然語言文本中的模糊實體映射到知識庫中一組已知目標實體的過程。對于普通用戶來說，領域文本中大量具有領域特征的名稱得不到理解，使得閱讀和學習變得十分困難。通過實體鏈接，將自由文本中的名稱鏈接到知識庫中的一個最合適的相關實

2、體，使閱讀者更加快捷方便地了解領域術語的釋義，改進閱讀體驗。因此，針對領域文本的實體鏈接研究具有非常重要的意義。
　　本文首先闡述了實體鏈接的研究背景及意義和國內(nèi)外研究現(xiàn)狀，并重點介紹了幾個具有代表性的實體鏈接算法，分析了不同實體鏈接方法的優(yōu)點和不足。其次，提出一種面向領域文本的兩階段實體鏈接方法 TSELG（Two Stages of Entity Linking on Graph）。該算法根據(jù)候選實體數(shù)量把實體鏈接過程分為兩個

3、階段，第一階段采用傳統(tǒng)算法鏈接相對明確的名稱，并根據(jù)已經(jīng)鏈接的實體確定文章所屬的領域；第二階段利用第一階段的結果以及已鏈接實體的領域信息對相對不易鏈接的名稱進行實體鏈接。為了保證實體鏈接算法的準確性，抽取維基百科語料信息，預處理形成四類映射表，為實體鏈接算法中相似度計算提供基本語義信息。最后，提出的TSELG實體鏈接算法進行實驗驗證，在真實數(shù)據(jù)集上與當前主流實體鏈接系統(tǒng)作對比測試。實驗結果表明，該方法與經(jīng)典算法比較，能夠兼顧準確率及執(zhí)行