基于新聞數(shù)據(jù)的中文人物社會(huì)關(guān)系抽取研究.pdf

1、隨著互聯(lián)網(wǎng)規(guī)模的不斷擴(kuò)大，其中蘊(yùn)含的信息和數(shù)據(jù)也在持續(xù)增長。信息抽取技術(shù)的目標(biāo)是從互聯(lián)網(wǎng)中的海量無結(jié)構(gòu)化數(shù)據(jù)中挖掘出結(jié)構(gòu)化的數(shù)據(jù)。實(shí)體關(guān)系抽取是信息抽取的子任務(wù)，已經(jīng)成為數(shù)據(jù)挖掘與信息檢索領(lǐng)域的一個(gè)研究熱點(diǎn)。人物關(guān)系抽取屬于實(shí)體關(guān)系抽取的一個(gè)方面，人物關(guān)系三元組數(shù)據(jù)被用于構(gòu)建人物關(guān)系網(wǎng)絡(luò)和問答系統(tǒng)，具有較高的應(yīng)用價(jià)值。但是，目前關(guān)系抽取研究主要集中在英文語料的處理上，基于中文數(shù)據(jù)的關(guān)系抽取研究進(jìn)展比較緩慢且研究難度較大。基于機(jī)器學(xué)習(xí)的關(guān)

2、系抽取方法因其在關(guān)系抽取結(jié)果上較好的表現(xiàn)，已經(jīng)成為目前的研究熱點(diǎn)。按照訓(xùn)練數(shù)據(jù)獲取方式的不同，本文對(duì)基于半監(jiān)督學(xué)習(xí)，遠(yuǎn)監(jiān)督學(xué)習(xí)和無監(jiān)督學(xué)習(xí)的三種方法進(jìn)行研究，主要貢獻(xiàn)如下:
　　1.有監(jiān)督學(xué)習(xí)的關(guān)系抽取方法對(duì)人工標(biāo)注的訓(xùn)練數(shù)據(jù)的依賴性較強(qiáng)，且人工標(biāo)注的成本過高。為了在少量標(biāo)注數(shù)據(jù)的條件下也能獲取較高的關(guān)系抽取性能，本文對(duì)半監(jiān)督學(xué)習(xí)的關(guān)系抽取方法進(jìn)行研究。使用基于標(biāo)簽傳播的半監(jiān)督學(xué)習(xí)算法能提升少量標(biāo)注數(shù)據(jù)下的關(guān)系抽取效果，但是隨機(jī)選

3、擇訓(xùn)練樣本會(huì)影響關(guān)系抽取性能。為了提升標(biāo)簽傳播算法的關(guān)系抽取效果，本文將標(biāo)簽傳播算法與主動(dòng)學(xué)習(xí)方法相結(jié)合用于人物關(guān)系抽取。這個(gè)方法主動(dòng)選取對(duì)于關(guān)系分類的幫助最大的樣本進(jìn)行標(biāo)注，可以減少無效標(biāo)注樣本數(shù)量，在相同標(biāo)注數(shù)據(jù)量的條件下提升系統(tǒng)的性能。
　　2.在目前的關(guān)系抽取研究中，遠(yuǎn)監(jiān)督方法通常用于自動(dòng)構(gòu)建訓(xùn)練數(shù)據(jù)，但是遠(yuǎn)監(jiān)督學(xué)習(xí)的基本假設(shè)存在不準(zhǔn)確的問題，從而在訓(xùn)練數(shù)據(jù)中會(huì)引入噪聲數(shù)據(jù)。本文針對(duì)該問題提出了基于打分函數(shù)過濾訓(xùn)練數(shù)據(jù)中噪

4、聲的方法，能減少基于遠(yuǎn)監(jiān)督學(xué)習(xí)獲取的訓(xùn)練數(shù)據(jù)中的噪聲數(shù)據(jù)。另外，針對(duì)目前關(guān)系抽取系統(tǒng)的準(zhǔn)確率不夠理想的問題，本文應(yīng)用詞向量技術(shù)從單句文本中提取基于詞向量的若干特征加入常用的關(guān)系抽取特征系統(tǒng)中，用于提升人物關(guān)系抽取系統(tǒng)的表現(xiàn)。
　　3.以上方法都需要預(yù)先定義關(guān)系類型后進(jìn)行關(guān)系抽取獲得相應(yīng)的關(guān)系實(shí)例。這些方法會(huì)限制了關(guān)系抽取模型可以獲得的關(guān)系種類，無法得到新的關(guān)系類型的關(guān)系三元組數(shù)據(jù)。因此本文提出了一種不需要訓(xùn)練數(shù)據(jù)以及預(yù)先定義的關(guān)系