基于圖的中文集成實(shí)體鏈接算法研究與實(shí)現(xiàn).pdf

1、實(shí)體鏈接的定義是指把從純文本中識別出來的命名指稱項(xiàng)與其在知識庫中所指的實(shí)體對象一一對應(yīng)起來，如果它所指代的實(shí)體對象不在知識庫中，則返回空標(biāo)記NIL。在互聯(lián)網(wǎng)技術(shù)高速發(fā)展的浪潮下，網(wǎng)絡(luò)上以微博、論壇、新聞等方式存儲的知識內(nèi)容以指數(shù)級的速度在迅速增長，對這些海量數(shù)據(jù)的充分利用與深度挖掘?qū)ψ匀徽Z言處理等相關(guān)技術(shù)提出了更嚴(yán)格的要求。其中，命名實(shí)體作為自然語言文本中一個(gè)關(guān)鍵組成部分，如何快速準(zhǔn)確地識別出自然語言文本中命名實(shí)體所指代的具體對象（即實(shí)

2、體鏈接），對人們理解自然語言文本的含義具有很大的幫助。因此，實(shí)體鏈接對自然語言處理領(lǐng)域的發(fā)展有著深刻的促進(jìn)意義和廣泛的應(yīng)用價(jià)值。本文通過對實(shí)體鏈接領(lǐng)域的相關(guān)內(nèi)容進(jìn)行全面調(diào)研，并在國內(nèi)外現(xiàn)有研究的基礎(chǔ)上，針對中文提出了兩種基于圖的集成實(shí)體鏈接算法，包括基于上下文圖的集成實(shí)體鏈接算法CGCEL和基于語義一致性的集成實(shí)體鏈接算法CCEL。
　　本研究主要內(nèi)容包括：⑴提出了一種新的實(shí)體相關(guān)圖構(gòu)建方法，該方法在建立實(shí)體頂點(diǎn)間的關(guān)系邊時(shí)對實(shí)體

3、間的關(guān)系進(jìn)行了細(xì)分（劃分為直接關(guān)聯(lián)關(guān)系和間接關(guān)聯(lián)關(guān)系），不僅可以保證實(shí)體間語義關(guān)聯(lián)關(guān)系的強(qiáng)度，而且能夠保證實(shí)體相關(guān)圖的完整性。⑵為進(jìn)一步對實(shí)體相關(guān)圖進(jìn)行完善和修正，在實(shí)體相關(guān)圖構(gòu)建階段提出了一種增量證據(jù)挖掘算法，該方法通過利用外部知識源提供的實(shí)體相關(guān)知識，有效地減少了鏈接算法對本地知識庫的（過度）依賴性，提高了算法的鏈接效果。⑶提出了一種基于上下文圖的集成實(shí)體鏈接算法 CGCEL，該算法采用圖的形式對輸入文本中實(shí)體指稱項(xiàng)對應(yīng)候選實(shí)體間的

4、語義相關(guān)性進(jìn)行建模，然后求出候選實(shí)體的重要性程度得到正確的鏈接對象。實(shí)驗(yàn)結(jié)果顯示，CGCEL算法可以有效地解決實(shí)體鏈接問題。⑷提出了一種基于語義一致性的集成實(shí)體鏈接算法CCEL，該算法通過更深入地考慮候選實(shí)體間的語義相關(guān)性以及通過綜合考慮候選實(shí)體與實(shí)體指稱項(xiàng)的相關(guān)性和候選實(shí)體與輸入文本間的語義相關(guān)性，可以有效地減少噪音候選實(shí)體對實(shí)體鏈接結(jié)果所產(chǎn)生的負(fù)面影響，增強(qiáng)算法對概念上相近實(shí)體（即類別相近的實(shí)體）的區(qū)分能力，從而顯著提高算法的鏈接效