基于文本的實體—關(guān)系抽取技術(shù)研究.pdf

1、信息抽?。↖nformation Extraction）技術(shù)可以從非結(jié)構(gòu)化數(shù)據(jù)中抽取人們感興趣的實體、關(guān)系、事件等，形成結(jié)構(gòu)化存儲以供查詢檢索。命名實體識別和實體間關(guān)系抽取是信息抽取中兩個非常重要的子任務(wù)，也是研究的熱點問題。隨著文本數(shù)據(jù)的爆炸式增長，如何使用豐富的未標(biāo)注語料來提高信息抽取的性能成為一個迫切的問題，在這方面，以有監(jiān)督為代表的傳統(tǒng)方法表現(xiàn)不佳，采用弱監(jiān)督和無監(jiān)督方法進(jìn)行處理成為當(dāng)前的趨勢。本文在深入研究總結(jié)前人研究成果的基

2、礎(chǔ)上，對弱監(jiān)督的命名實體識別和關(guān)系抽取進(jìn)行了改進(jìn)，并取得了良好的效果。
　　在命名實體識別方面，本文提出了SACRF（Self-training with Active learning based on CRF）方法，依據(jù)少量的初始訓(xùn)練語料和大量未標(biāo)注數(shù)據(jù)，采用條件隨機(jī)場作為基礎(chǔ)分類器，使用自學(xué)習(xí)方法自動擴(kuò)展未標(biāo)注語料，并使用主動學(xué)習(xí)標(biāo)注置信度低的樣本。實驗表明，該方法在自動擴(kuò)展訓(xùn)練集、提高實體識別的準(zhǔn)確率和召回率的同時，能夠顯

3、著降低人工標(biāo)注的工作量。
　　在關(guān)系抽取方面，基于傳統(tǒng)弱監(jiān)督方法存在的噪聲引入以及準(zhǔn)確率不高問題，本文改進(jìn)了Tri-Training算法的投票策略，并引入主動學(xué)習(xí)思想來進(jìn)一步提高準(zhǔn)確率。在關(guān)系抽取實驗中，改進(jìn)方法的識別準(zhǔn)確率與傳統(tǒng)Tri-Training算法相比具有很大的提升。
　　最后，本文基于所提出方法，實現(xiàn)了一個基于文本數(shù)據(jù)的信息抽取與關(guān)聯(lián)分析可視化原型系統(tǒng)。該系統(tǒng)可以將文本數(shù)據(jù)進(jìn)行實體、關(guān)系抽取并布局展示，同時具備初