面向金融文本的實體識別與關(guān)系抽取研究.pdf

1、隨著互聯(lián)網(wǎng)技術(shù)的不斷發(fā)展，如何對飛速增長的互聯(lián)網(wǎng)文本中包含的知識進行高效可靠的挖掘并進行組織，已成為自然語言處理和信息抽取研究中的重要目標。互聯(lián)網(wǎng)中各種命名實體及之間的關(guān)系紛繁復雜，單純的以人工和經(jīng)驗的方式進行相關(guān)知識的獲取及組織已經(jīng)遠遠不能滿足人們的使用要求。為此，知識的自動獲取逐漸地成為文本處理的重要課題。
　　本文主要研究金融領(lǐng)域命名實體及其關(guān)系自動獲取的方法。從現(xiàn)有的研究來看，基于規(guī)則的方法有著較高的準確率，但是對于先驗的

2、專家知識要求很高；基于統(tǒng)計的方法則不需要過多的先驗知識，但是卻嚴重依賴于標注好的訓練數(shù)據(jù)。單純的使用其中一種方法已經(jīng)不能滿足實際應(yīng)用的需求。
　　本文主要進行以下三方面的研究。首先，引入金融文本中人名上下文特征構(gòu)建識別模型，對中文人名進行識別。在人工標注的2,008條數(shù)據(jù)上達到0.94的人名識別 F值。第二，對金融文本中組織機構(gòu)名的觀察和統(tǒng)計顯示，此類實體名稱可以分為具有明顯區(qū)別的全稱和縮寫兩類形式。針對全稱，本文采用條件隨機場結(jié)

3、合領(lǐng)域特征的方法進行識別。而對于縮寫形式，則利用實體內(nèi)部結(jié)合度、實體邊界特征以及實體全稱進行識別。在人工標注的包含5,500條組織結(jié)構(gòu)實體的數(shù)據(jù)集上達到0.93的F值。第三，根據(jù)文本中的信息及表達模式，利用關(guān)系表達模板的迭代生成及評估策略對金融領(lǐng)域中的組織機構(gòu)間的五類常見關(guān)系進行識別。在人工標注的2,167條數(shù)據(jù)集上本文提出的關(guān)系獲取算法達到較好的準確率。
　　本研究的主要貢獻包括：一、針對組織機構(gòu)名全稱和縮寫兩種形式各自的特點，