基于SVM的中文實(shí)體關(guān)系抽取研究.pdf

1、實(shí)體關(guān)系抽取在自然語(yǔ)言處理中占有非常重要的地位。它不僅是信息抽取的一項(xiàng)主要任務(wù)，而且是信息檢索、自動(dòng)應(yīng)答系統(tǒng)等所采取得重要技術(shù)之一，具有廣闊的應(yīng)用前景。近年來(lái)，人們開(kāi)始將關(guān)系抽取看作是分類(lèi)問(wèn)題，通過(guò)構(gòu)造關(guān)系實(shí)例，利用機(jī)器學(xué)習(xí)算法訓(xùn)練得到分類(lèi)器，來(lái)標(biāo)注這些候選關(guān)系屬于哪類(lèi)預(yù)定義關(guān)系。
　　 在選擇分類(lèi)器方面，因?yàn)镾VM(SupportVectorMachine)具有很高的分類(lèi)精確度，本文以SVM作為分類(lèi)器。由于SVM對(duì)輸入的要求以

2、及其自身應(yīng)用核函數(shù)可以在隱含的高維空間分類(lèi)的特點(diǎn)，目前基于特征向量和基于核函數(shù)的實(shí)體關(guān)系抽取方法是應(yīng)用最為廣泛的兩種方法。針對(duì)這兩種常用方法在中文關(guān)系抽取中存在的不足，本文主要工作及創(chuàng)新點(diǎn)在于：
　　 1.針對(duì)現(xiàn)有基于核函數(shù)的中文實(shí)體關(guān)系抽取方法沒(méi)有充分利用句法分析結(jié)果的問(wèn)題，提出了基于合成核的抽取方法。該方法根據(jù)核函數(shù)具有很好的復(fù)合特性將卷積樹(shù)核與依存核合成，這樣的合成同時(shí)引入了短語(yǔ)結(jié)構(gòu)語(yǔ)法和依存語(yǔ)法。因?yàn)楝F(xiàn)有的依存核具有很低

3、的召回率，所以本文重新定義了依存核函數(shù)。最后在中文語(yǔ)料上進(jìn)行分類(lèi)實(shí)驗(yàn)，驗(yàn)證了該方法的有效性，并且對(duì)其訓(xùn)練和測(cè)試的速度做了實(shí)驗(yàn)。
　　 2.基于核函數(shù)的方法都有一個(gè)難以克服的問(wèn)題，那就是隨著數(shù)據(jù)集規(guī)模的增大訓(xùn)練和預(yù)測(cè)的速度將會(huì)急劇的減慢，不適合大規(guī)模的數(shù)據(jù)集。為了克服這一缺點(diǎn)，本文提出了基于子樹(shù)特征的中文實(shí)體關(guān)系方法。該方法應(yīng)用序列模式挖掘算法和特征選擇算法，挖掘出對(duì)分類(lèi)有貢獻(xiàn)的子樹(shù)特征，將原來(lái)隱含的特征空間顯式化，以此來(lái)減少訓(xùn)練