基于多知識(shí)庫(kù)科技報(bào)告術(shù)語(yǔ)實(shí)體鏈接研究.pdf

1、科技報(bào)告作為一種重要的文獻(xiàn)資源，對(duì)其的深入挖掘與分析具有重要的價(jià)值和意義。然而，目前針對(duì)科技報(bào)告的研究仍停留在對(duì)其基本概念、屬性的界定，以及科技報(bào)告體系建設(shè)研究，而對(duì)科技報(bào)告內(nèi)容深入挖掘與分析研究非常少。科技報(bào)告中含有大量的專(zhuān)業(yè)術(shù)語(yǔ)實(shí)體，這些專(zhuān)業(yè)術(shù)語(yǔ)實(shí)體多為科技報(bào)告的研究主體，代表著中國(guó)科學(xué)技術(shù)的發(fā)展現(xiàn)狀與未來(lái)趨勢(shì)。因此，對(duì)科技報(bào)告內(nèi)容的挖掘分析，識(shí)別其中的專(zhuān)業(yè)術(shù)語(yǔ)實(shí)體對(duì)推動(dòng)科技創(chuàng)新具有重要意義。實(shí)體識(shí)別技術(shù)作為自然語(yǔ)言處理的關(guān)鍵技術(shù)，

2、可用于自動(dòng)識(shí)別文本中的人名、地名、機(jī)構(gòu)名等實(shí)體，將其擴(kuò)展應(yīng)用使得自動(dòng)識(shí)別專(zhuān)業(yè)術(shù)語(yǔ)實(shí)體成為可能。本文以科技報(bào)告為研究對(duì)象，首先利用新詞發(fā)現(xiàn)技術(shù)發(fā)現(xiàn)科技報(bào)告中未登錄的潛在術(shù)語(yǔ)新詞，然后構(gòu)建專(zhuān)業(yè)術(shù)語(yǔ)知識(shí)庫(kù)作為術(shù)語(yǔ)實(shí)體識(shí)別與鏈接的語(yǔ)料支撐，最后利用Stanford NER實(shí)體識(shí)別框架實(shí)現(xiàn)科技報(bào)告中術(shù)語(yǔ)實(shí)體的自動(dòng)識(shí)別，并與多個(gè)知識(shí)庫(kù)進(jìn)行鏈接消歧。主要的研究工作如下:
　　(1)針對(duì)目前中文分詞存在的問(wèn)題以及科技報(bào)告術(shù)語(yǔ)的特點(diǎn)，提出了基于詞性

3、組合的新詞發(fā)現(xiàn)方法，通過(guò)制定專(zhuān)業(yè)術(shù)語(yǔ)的詞性組合規(guī)則抽取符合規(guī)則的詞串，并根據(jù)詞串的支持度以及詞長(zhǎng)、互信息等內(nèi)外部特征確定新詞，有效發(fā)現(xiàn)專(zhuān)業(yè)術(shù)語(yǔ)新詞，在一定程度上提高了中文分詞的準(zhǔn)確度，為術(shù)語(yǔ)實(shí)體的識(shí)別奠定了基礎(chǔ)。
　　(2)構(gòu)建專(zhuān)業(yè)術(shù)語(yǔ)知識(shí)庫(kù)。實(shí)體識(shí)別需要大量的語(yǔ)料作為支持，通過(guò)訓(xùn)練語(yǔ)料提取實(shí)體特征，實(shí)現(xiàn)實(shí)體的自動(dòng)識(shí)別。由于目前缺乏公開(kāi)的科技報(bào)告術(shù)語(yǔ)語(yǔ)料，本文以中國(guó)規(guī)范術(shù)語(yǔ)網(wǎng)提供的專(zhuān)業(yè)術(shù)語(yǔ)知識(shí)作為數(shù)據(jù)源，利用網(wǎng)絡(luò)爬蟲(chóng)，數(shù)據(jù)庫(kù)等信息

4、技術(shù)設(shè)計(jì)并構(gòu)建術(shù)語(yǔ)知識(shí)庫(kù)。
　　(3)詳細(xì)介紹了目前實(shí)體識(shí)別的主流方法，并選擇成熟的基于條件隨機(jī)場(chǎng)模型的Stanford NER開(kāi)源實(shí)體識(shí)別框架，通過(guò)訓(xùn)練術(shù)語(yǔ)實(shí)體模型，實(shí)現(xiàn)科技報(bào)告術(shù)語(yǔ)實(shí)體的自動(dòng)識(shí)別，并結(jié)合多知識(shí)庫(kù)與語(yǔ)義相似度計(jì)算實(shí)現(xiàn)術(shù)語(yǔ)實(shí)體的鏈接消歧。
　　(4)選取國(guó)家科技報(bào)告服務(wù)系統(tǒng)發(fā)布的科技報(bào)告作為實(shí)驗(yàn)數(shù)據(jù)，設(shè)計(jì)并開(kāi)發(fā)基于多知識(shí)庫(kù)的科技報(bào)告術(shù)語(yǔ)實(shí)體鏈接原型系統(tǒng)。該系統(tǒng)主要集成了科技報(bào)告數(shù)據(jù)預(yù)處理、新詞發(fā)現(xiàn)、實(shí)體識(shí)別與