基于混合核方法的上下位語義抽取.pdf

1、利用海量的非結(jié)構(gòu)化數(shù)據(jù)如Web文本構(gòu)建知識(shí)庫，已經(jīng)成為近年來自然語言處理與機(jī)器學(xué)習(xí)領(lǐng)域的熱門研究課題。自動(dòng)知識(shí)庫構(gòu)建需要概念抽取和語義關(guān)系抽取兩方面工作，概念提取旨在文本中發(fā)現(xiàn)名詞概念，語義抽取旨在提取名詞概念之間的語義關(guān)系，上下位關(guān)系是名詞概念之間的一種重要關(guān)系。發(fā)掘名詞概念之間的上下位語義對(duì)于構(gòu)建語義字典、信息檢索等具有重要作用。
　　文本語義抽取一般采用分類模型，對(duì)于給定名詞對(duì)判斷其在特定上下文中是否存在語義關(guān)系，根據(jù)特征空

2、間的不同，又分為基于傳統(tǒng)文本特征和基于文本核的分類算法。前者使用例如N-Gram、詞頻詞性等文本特征來描述詞對(duì)周圍的上下文，特征空間較為簡(jiǎn)單，并且難以刻畫文本中較長(zhǎng)的語法依賴。文本核能將原始特征映射到擴(kuò)展后更高維度的希爾伯特特征空間，比以上基于特征的方法更能發(fā)掘句子的詞法和語法特征。
　　現(xiàn)有的文本核主要分為基于解析樹和基于文本子串的核。實(shí)驗(yàn)顯示，基于文本子串核的語義抽取準(zhǔn)確率較高召回率較低，而解析樹核則正好相反。隨著目標(biāo)詞對(duì)之間

3、距離的增大，這兩種核的性能均會(huì)下降，但前者性能下降得更快。這主要因?yàn)楫?dāng)詞對(duì)間距離增大時(shí)，文本子串核可以用作比較的子句變長(zhǎng)，因而增大了不同子句之間出現(xiàn)相似詞語序列的概率，導(dǎo)致相似度增大，降低了不同詞對(duì)的區(qū)分度。另一方面，解析樹核更強(qiáng)調(diào)語法解析樹結(jié)構(gòu)的相似度，因而對(duì)句子長(zhǎng)度的增加相對(duì)不敏感。但對(duì)于解析樹結(jié)構(gòu)相似而詞語完全不同的兩個(gè)子句，單獨(dú)從子樹結(jié)構(gòu)出發(fā)判斷語義相似度顯然不盡合理。
　　為解決這些問題，提出一種自適應(yīng)詞對(duì)之間距離的混合

4、核來進(jìn)行上下位語義關(guān)系抽取的混合核。首先我們從句子的語法解析樹出發(fā)，定義一種新的基于子路徑的核。與其他解析樹核過于依賴語法結(jié)構(gòu)相比，該核加強(qiáng)了對(duì)原始詞語參與句子成分構(gòu)成上下位關(guān)系的考察。同時(shí)考慮到連續(xù)單詞序列能更好的描述語義信息，我們基于詞對(duì)的上下文序列定義了一種新的連續(xù)子序列核。最后我們使用加權(quán)平均方法來對(duì)這兩種核進(jìn)行融合。實(shí)驗(yàn)結(jié)果表明，混合之后的核不但顯著提高了上下位語義關(guān)系抽取的準(zhǔn)確率和召回率，還降低了子句長(zhǎng)度對(duì)核函數(shù)性能的影響。

5、
　　對(duì)于概念網(wǎng)絡(luò)構(gòu)建，一方面我們需要自動(dòng)化算法來盡量代替概念網(wǎng)絡(luò)構(gòu)建中的人工勞動(dòng)，使構(gòu)建的概念網(wǎng)絡(luò)容易維護(hù)且易于更新，另一方面我們需要人工的知識(shí)來彌補(bǔ)自動(dòng)構(gòu)建中無法達(dá)到的部分效果，人工檢驗(yàn)抽取出來的概念以及聯(lián)系是否正確，為抽取出來的概念提供標(biāo)簽，這些標(biāo)簽是無法從文本中直接獲取的抽象概念，因此自動(dòng)構(gòu)建算法需要與人工知識(shí)相結(jié)合才能保持準(zhǔn)確率且適應(yīng)大規(guī)模數(shù)據(jù)處理。
　　本文利用已有的概念抽取以及關(guān)系抽取算法擴(kuò)展人工構(gòu)建的語義概念