Web實體活動與實體關系抽取研究.pdf

1、隨著互聯(lián)網(wǎng)技術的迅速發(fā)展,Web已經(jīng)成為一個巨大的數(shù)據(jù)源,擁有海量數(shù)據(jù)。如何高效、全面、準確的集成Web上有價值的信息,為市場情報分析、搜索引擎、智能問答等系統(tǒng)提供數(shù)據(jù)支持,豐富市場情報分析和智能問答等系統(tǒng)的知識庫,幫助完善分析推理的結果,使搜索引擎返回更加精準的檢索數(shù)據(jù),成為數(shù)據(jù)集成、信息檢索、自然語言理解等領域研究的熱點和難點。要集成Web數(shù)據(jù),首要問題是如何將Web上的無結構和半結構化數(shù)據(jù)通過信息抽取技術轉變?yōu)橛嬎銠C可讀的結構化數(shù)

2、據(jù)。
　　Web數(shù)據(jù)具有大規(guī)模、異構性、自治性、分布式等特點,現(xiàn)有的信息抽取技術無法同時滿足高效、全面和準確的數(shù)據(jù)集成需求。一方面,在面對大規(guī)模、分布式的Web數(shù)據(jù)時,現(xiàn)有的信息抽取技術旨在高效的抽取Web上的命名實體、實體關系和實體屬性(數(shù)據(jù)對象),但是抽取方法受抽取對象領域的限制,抽取結果較為簡單,信息內(nèi)容不夠豐富;另一方面,面對異構性、自治性強的無結構化Web數(shù)據(jù),現(xiàn)有的信息抽取技術旨在抽取結果的準確性,抽取效率不能滿足大規(guī)

3、模信息抽取的需要。
　　本文致力于研究Web信息抽取技術,目標在于在保障抽取結果準確率的前提下,面向大規(guī)模、異構性的Web數(shù)據(jù),充分挖掘Web上的有價值信息,豐富信息抽取的內(nèi)容。Web上存存大量描述實體行為活動的數(shù)據(jù),現(xiàn)有的信息抽取技術未能詳細刻畫和抽取實體活動這一類特殊信息;面對大規(guī)模Web數(shù)據(jù),現(xiàn)有的關系抽取技術主要以二元關系為抽取對象,并未考慮二元關系的時效性,從而導致關系實例的可用性較差。
　　本文針對現(xiàn)有Web信息

4、抽取技術未能充分利用Web上有價值的數(shù)據(jù),抽取結果內(nèi)容不夠豐富,可用性差的問題展開研究,主要上作和貢獻概括如下:
　　1.提出一種基于SVM和擴展條什隨機場的Web實體活動抽取方法,能夠面向多領域,準確的從Web數(shù)據(jù)源抽取實體活動這一未被利用的數(shù)據(jù)類型。
　　Web實體活動是指存在于Web上描述實體行為活動的數(shù)據(jù),傳統(tǒng)信息抽取技術較少單獨考慮這一特殊的數(shù)據(jù)類型。本文首先對Web實體活動進行了詳細刻畫,基于格語法提出了實體活動

5、的形式化定義,并提出一種基于SVM和擴展條件隨機場的Web實體活動抽取方法,能夠從Web上準確的抽取實體的活動信息。首先,為了避免人工標注訓練數(shù)據(jù)的繁重工作,提出一種基于啟發(fā)式規(guī)則的訓練數(shù)據(jù)生成算法,將語義角色標注的訓練數(shù)據(jù)集轉化為適合Web實體活動抽取的訓練數(shù)據(jù)集,分別訓練支持向量機分類器和擴展條件隨機場。在抽取過程中,通過分類器獲得包含實體活動的有效語句,然后利用擴展條件隨機場對傳統(tǒng)條件隨機場中不能夠利用的標簽頻率特征和關系特征建模

6、,標注自然語句中的待抽取信息,提高標注的準確率。通過多領域的實驗證明,該抽取方法能夠較好的適用于Web實體活動抽取。
　　2.提出了一種白舉式Web實體關系時效信息抽取方法,有效解決了傳統(tǒng)關系抽取中時間維度缺失的問題,豐富抽取內(nèi)容,增強抽取結果的可用性。
　　傳統(tǒng)關系抽取主要以二元關系抽取為研究對象,但是現(xiàn)有抽取技術都是在假定關系實例時間無關性的基礎上進行的,導致了抽取結果的時間維度缺失、可以性差。針對以上問題,本文提出了一

7、種自舉式的Web實體關系實效信息抽取方法,該方法能夠抽取給定關系類型下所有關系實例以及關系實例對應的時效信息。方法中,首先對待抽取的3元關系:二元關系中的2個實體以及關系的時效信息,進行重新建模,通過將實體關系視作一個事實維度形成新的二元關系,最后利用經(jīng)典的白舉式二元關系抽取方泫進行關系實例和時效信息的抽取。相比傳統(tǒng)的白舉式抽取過程,本文引入馬爾科大邏輯網(wǎng),用于弱化規(guī)則和模板的硬性約束,提高抽取的召回率;通過引入L1范數(shù)模型選擇高質量模