基于新聞文本的事件線抽取.pdf

1、隨著在線新聞媒體網(wǎng)站以及新聞客戶端APPs的快速發(fā)展，它們每天產(chǎn)生海量的新聞報道，已經(jīng)成為人們獲取和關(guān)注國內(nèi)外熱點事件的主要途徑。事件線抽取(Storyline Extraction)主要研究從海量的文本中抽出熱門的事件，以結(jié)構(gòu)化的形式表示事件，比如什么人，什么地方，什么機(jī)構(gòu)，關(guān)鍵詞以及相關(guān)主題等，并呈現(xiàn)出該事件是如何隨著時間而不斷變化。對于基于新聞文本的事件線抽取的研究具有重要的現(xiàn)實意義和巨大的應(yīng)用價值。
　　新聞文本具有實時性

2、，持續(xù)性，高關(guān)注，文檔質(zhì)量高的特點，因而基于新聞文本的事件線抽取具有可行性和挑戰(zhàn)性。另外，有監(jiān)督的方法不能處理開放的事件線抽取，并且有監(jiān)督的方法的實驗效果依賴于標(biāo)注語料的數(shù)量和質(zhì)量，而標(biāo)注大規(guī)模的語料通常需要耗費(fèi)大量的人力、物力，所以本文針對無監(jiān)督的基于新聞文本的事件線抽取方法進(jìn)行研究，本文的主要貢獻(xiàn)有:
　　1.對基于新聞文本的無監(jiān)督的事件抽取方法進(jìn)行了研究，本文提出了一種動態(tài)的事件線抽取(Dynamic Storyline D

3、etection Model，DSDM)方法。DSDM是一種無監(jiān)督的貝葉斯隱變量模型，利用之前時間段的事件線概率分布作為當(dāng)前時間段事件線概率分布的先驗參數(shù)來表示相同事件線中不同時刻的事件的依賴關(guān)系。本文詳細(xì)闡述了該方法的模型表示和參數(shù)估計方法。將基于DSDM的事件線抽取方法分別在兩個數(shù)據(jù)集上進(jìn)行驗證。第一個數(shù)據(jù)集是已標(biāo)注的包含101，654條新聞文本的一周的數(shù)據(jù)集Ⅰ，第二個數(shù)據(jù)集是未標(biāo)注的包含526，587條新聞文本的一個月的數(shù)據(jù)集Ⅱ。

4、該方法對于事件線抽取的效果在數(shù)據(jù)集Ⅰ和數(shù)據(jù)集Ⅱ上都優(yōu)于對比算法。
　　2.針對DSDM模型存在不能夠動態(tài)確定事件線的個數(shù)，采樣復(fù)雜度過高以及關(guān)鍵詞，主題精度低等問題，本文對DSDM模型進(jìn)行改進(jìn)，將DSDM與中餐館模型(Chinese Restaurant Process，CRP)相結(jié)合來動態(tài)確定事件線個數(shù)，利用Metropolis-Hastings采樣方法和LightLDA降低采樣的復(fù)雜度，添加單詞類型變量來提高關(guān)鍵詞和主題抽取的

5、精度，提出了一個新的動態(tài)事件線抽取模型(Dynamic Storyline Extraction Model，DSEM)。本文詳細(xì)闡述了該方法的模型表示和參數(shù)估計方法。為了評估模型處理復(fù)雜事件線抽取的性能，本文人工構(gòu)建包含各種類型事件線的23，376篇新聞文本的數(shù)據(jù)集Ⅲ。在數(shù)據(jù)集Ⅰ和數(shù)據(jù)集Ⅱ上，該方法的準(zhǔn)確率相比DSDM分別提高5.23％和2.50％，在數(shù)據(jù)集Ⅲ上，該方法的準(zhǔn)確率相比DSDM提高20.83％。
　　3.針對DSEM

6、存在的需要設(shè)置先驗參數(shù)以及構(gòu)建事件線中不同時間段事件的依賴關(guān)系需要人工設(shè)定等問題，本文從神經(jīng)網(wǎng)絡(luò)的角度對DSEM模型進(jìn)行改進(jìn)，利用文檔的事件線概率分布與相應(yīng)標(biāo)題的事件線概率分布相似這一假設(shè)生成事件線，并且利用神經(jīng)網(wǎng)絡(luò)雙輸出來表示事件之間的依賴關(guān)系，提出了基于神經(jīng)網(wǎng)絡(luò)的事件線抽取(Neural Dynamic Storyline Extraction Model，Neural-DSEM)模型。在數(shù)據(jù)集Ⅰ和數(shù)據(jù)集Ⅱ上，該方法的準(zhǔn)確率相比DS