特定領域術語自動抽取方法的研究.pdf

1、中文領域術語自動抽取是中文信息處理中的一項基礎性課題，在很多領域都有很重要的作用。如自然語言生成、計算詞典編撰學、句法分析、語料庫語言學的研究、統(tǒng)計機器翻譯、信息檢索、文本分類、文本摘要等領域中有廣泛的應用。特別是針對開放語料而言，術語抽取的作用顯得十分重要。
　　本文在統(tǒng)計學與語言學的基礎上，研究和分析了術語的多方面特點，總結了術語的兩個基本特征：單元性和術語性，并提出了術語的形式化定義，這對于領域術語的自動抽取，具有很強的實際

2、操作性。
　　本文系統(tǒng)的研究和分析了現有的術語單元性和領域性的實現方法，并在此基礎上改進和提出了判別術語單元性和領域性的新方法。通過實驗分析，這些方法在一定程度上提高了術語自動抽取的精度。
　　在判別術語單元性的部分中，中文多字術語抽取一直是術語自動抽取的難點問題。因此，本文使用改進后的互信息參數，避免了傳統(tǒng)的互信息參數在字符串應該如何分解上的問題，同時結合參數C-value在長術語抽取上的優(yōu)勢，定義了用于計算術語內部結合強

3、度的統(tǒng)計參數C-MI及其公式。該參數的設計符合術語的構成特點，測試實驗顯示出了良好的效果。
　　在判別術語領域性的部分中，本文采用了基于統(tǒng)計與規(guī)則相結合的方法。通過對術語定義的分析，本文可以看出術語是某一特定領域的被定義項。這種對術語的界定將術語與術語定義結合起來，將術語和普通詞語區(qū)分開來，有效的判別了候選術語的領域性。同時，對于缺少術語定義信息的候選術語，本文使用信息熵判別其領域特征。
　　本文綜合運用論文中研究的方法和設