基于SVM的中文實體關(guān)系抽取研究.pdf

1、實體關(guān)系抽取在自然語言處理中占有非常重要的地位。它不僅是信息抽取的一項主要任務(wù)，而且是信息檢索、自動應(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，人們開始將關(guān)系抽取看作是分類問題，通過構(gòu)造關(guān)系實例，利用機(jī)器學(xué)習(xí)算法訓(xùn)練得到分類器，來標(biāo)注這些候選關(guān)系屬于哪類預(yù)定義關(guān)系。
　　 在選擇分類器方面，因為SVM(SupportVectorMachine)具有很高的分類精確度，本文以SVM作為分類器。由于SVM對輸入的要求以

2、及其自身應(yīng)用核函數(shù)可以在隱含的高維空間分類的特點，目前基于特征向量和基于核函數(shù)的實體關(guān)系抽取方法是應(yīng)用最為廣泛的兩種方法。針對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)新點在于：
　　 1.針對現(xiàn)有基于核函數(shù)的中文實體關(guān)系抽取方法沒有充分利用句法分析結(jié)果的問題，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)合特性將卷積樹核與依存核合成，這樣的合成同時引入了短語結(jié)構(gòu)語法和依存語法。因為現(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)。最后在中文語料上進(jìn)行分類實驗，驗證了該方法的有效性，并且對其訓(xùn)練和測試的速度做了實驗。
　　 2.基于核函數(shù)的方法都有一個難以克服的問題，那就是隨著數(shù)據(jù)集規(guī)模的增大訓(xùn)練和預(yù)測的速度將會急劇的減慢，不適合大規(guī)模的數(shù)據(jù)集。為了克服這一缺點，本文提出了基于子樹特征的中文實體關(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，挖掘出對分類有貢獻(xiàn)的子樹特征，將原來隱含的特征空間顯式化，以此來減少訓(xùn)練