術語自動抽取技術研究.pdf

1、隨著互聯(lián)網的飛速發(fā)展，術語在各個領域層出不窮。術語自動提取日益受到人們的關注，已經成為自然語言處理的一項重要任務，可以應用到本體構建、專業(yè)搜索、文本分類等各個領域。因此，術語抽取研究是信息處理領域的基礎性課題。
　　術語是為有效表達領域知識而產生的完整的語言單位，因此需要計算其單元度。本文重點研究了單元度的計算方法。計算詞語的單元度有很多種統(tǒng)計模型，我們在分析各種模型優(yōu)缺點的基礎上，綜合了幾個模型的優(yōu)點，提出一種新的術語抽取方法，

2、實現(xiàn)優(yōu)勢互補，從而提高了準確率和召回率。
　　本文的研究工作主要包括以下幾個方面：
　　第一，詳細分析了術語在文本中的使用特點，并對已有的各種術語抽取方法及其各自的優(yōu)缺點進行了分析和比較。
　　第二，為了能有效抽取低頻詞匯，選用了似然比方法。但該方法抽取準確率偏低。為了解決這個問題，本文提出將似然比的抽取結果用C-value進行處理。兩者相結合，在保證似然比方法高召回率的前提下，也提高了抽取的準確率。實驗證明，這兩種方

3、法的結合是有效的。
　　第三，在術語提取的特征運用上，既考慮了術語的內部結合緊密特性，又考慮了術語的邊界自由特性，提出將改進似然比方法抽取結果與信息熵抽取結果求并集的策略。實驗證明，在術語提取中集成多方面信息，可以取得更好的效果。
　　第四，所用的方法完全基于統(tǒng)計，與語言無關，所以理論上可以對各種語言的語料進行抽取。實驗語料為中英文混合語料，實驗證明，該方法能有效處理中英文混合語料。
　　本文設計并實現(xiàn)的術語自動抽取系