ccml2015分組報告室4上午2太原理工

命名實體關(guān)系抽取研究報告人：

徐

慶學(xué)校： 太原理工大學(xué)研究內(nèi)容研究現(xiàn)狀研究方法實驗方案實驗結(jié)果報

告

內(nèi)

容一、研究內(nèi)容實體關(guān)系抽取定義從文本中抽取出特定的實體之間的關(guān)系一、研究內(nèi)容例子：“記者滯留在機(jī)場”實體1：“記者”人物(PER)實體2：“機(jī)場”設(shè)施(FAC)關(guān)系：位于關(guān)系(Located)?即“記者”位于“機(jī)場”一、研究內(nèi)容二、研究現(xiàn)狀傳統(tǒng)的關(guān)系抽取基于模式匹配的方法基于詞典驅(qū)動的方法基于機(jī)器學(xué)習(xí)的方法二、研究現(xiàn)狀基于模式匹配的方法運(yùn)用語言學(xué)知識，構(gòu)造出若干基于詞語、基于詞性或基于語義的模式集合進(jìn)行關(guān)系抽取時,將經(jīng)過預(yù)處理的語句片段與模式集合中的模式進(jìn)行匹配二、研究現(xiàn)狀例子：“習(xí)近平是中國的最高領(lǐng)導(dǎo)人”關(guān)系模式描述：Person

是…organization

的…關(guān)系：人-社會組織(PER-SOC)二、研究現(xiàn)狀缺點：關(guān)系模式建立困難需要語言學(xué)家對某領(lǐng)域窮舉各種可能的關(guān)系表達(dá)，手工編制關(guān)系模式周期太長，應(yīng)用成本很高當(dāng)應(yīng)用于新領(lǐng)域時需要重新建立關(guān)系模式二、研究現(xiàn)狀基于詞典驅(qū)動的方法新的關(guān)系類型能夠僅僅通過向詞典添加對應(yīng)的動詞入口而被抽取靈活，耗費(fèi)努力最小的情況下能夠抽取盡可能多類型的關(guān)系，準(zhǔn)確率高二、研究現(xiàn)狀例子：愛迪生發(fā)明了電燈泡通過“發(fā)明”可以確定“愛迪生”和“電燈泡”的制造使用關(guān)系（ART）二、研究現(xiàn)狀缺點：只能識別以動詞為中心詞的關(guān)系,而對于名詞同位語之類的關(guān)系抽取很難實現(xiàn)二、研究現(xiàn)狀基于機(jī)器學(xué)習(xí)的方法將關(guān)系抽取看作是一個分類問題，通過具體的學(xué)習(xí)算法，在人工標(biāo)注語料的基礎(chǔ)上構(gòu)造分類器擺脫了語言學(xué)家，不受關(guān)系的詞性限制缺點：需要人工標(biāo)注的語料二、研究現(xiàn)狀基于機(jī)器學(xué)習(xí)的方法（1）基于特征向量的方法（2）基于核函數(shù)的方法二、研究現(xiàn)狀（1）基于特征向量的方法對關(guān)系樣例進(jìn)行特征提取并表示為特征向量，然后通過機(jī)器學(xué)習(xí)的方法來學(xué)習(xí)訓(xùn)練關(guān)系實例缺點：因為特征向量長度必須固定，所以無法加入句法信息二、研究現(xiàn)狀（2）基于核函數(shù)的方法使用語法樹的形式表示實體關(guān)系，通過核函數(shù)計算關(guān)系之間的距離缺點：訓(xùn)練預(yù)測速度相對慢二、研究現(xiàn)狀開放域的關(guān)系抽取秦兵提出了使用實體之間的距離限制和關(guān)系指示詞的位置限制獲取候選關(guān)系三元組的開放式抽取方法二、研究現(xiàn)狀“…記者滯留在機(jī)場…”的最短路徑依存樹IPNN記者NP

VPE1

VV滯留在P

NPE2NN機(jī)場PP二、研究現(xiàn)狀實體詞實體小類實體大類提及類型記者機(jī)場entityE1

E2typeTP1

TP2PER

FACsubtypeST1

ST2Group

Airportmention

typeMT1

MT2NOM

NOM二、研究現(xiàn)狀包含全特征的語法樹IPNPE1NN記者VPVV滯留在P

NPE2NN機(jī)場PP記者entityE1

E2機(jī)場IPtype

subtypeTP1

TP2

ST1

ST2PER

FAC

Group

Airportmention

typeMT1

MT2NOM

NOMROOT二、研究現(xiàn)狀樹核函數(shù)的基本原理NPNDdogaNPNDdogaNPNDaNPNDdogNPNDNDdogaNPNDcataNPNDcataNPNDaNPNDcatNPNDNDcata二、研究現(xiàn)狀樹核函數(shù)的基本原理NPNDdogaNPNDaNPNDDaNPNDcataNPNDaNPNDDa三、研究方法兩種表示實體詞相似度的特征《同義詞詞林》編碼樹實體詞語義相似度樹三、研究方法《同義詞詞林》是一部漢語分類詞典，其中每一條詞語都用一個編碼來表示其語義類別，共包括12個大類，94個中類，1428個小類。三、研究方法“公園”的編碼為“Bn20A01=”三、研究方法“傷者”編碼“Ag02A01=”和“醫(yī)院”編碼

“Dm06A03=”對應(yīng)的《同義詞詞林》編碼樹三、研究方法將編碼樹加入到語法樹的根節(jié)點下三、研究方法基于《同義詞詞林》的詞匯語義相似度計算如果在第一層分支，也就是說兩個詞不在同一棵樹上Sim(

A,

B)

=

0.1三、研究方法如果兩個詞在同一棵樹上Sim(

A,

B)

=

m

·(m

+

(1

-

m)

·

n

-

k

)n其中n為分支層的節(jié)點總數(shù)，k為兩個分支在同一層的距離，m隨著分支所在層的變化而變化，分別取第二層0.65，第三層0.8，第四層0.9，第五層0.96三、研究方法實體詞語義相似度樹舉例三、研究方法加入實體詞相似度樹的關(guān)系大類實例三、研究方法加入實體詞相似度樹的關(guān)系小類實例四、實驗方案若在《同義詞詞林》中找不到實體詞，則分詞后再查找若還找不到，則不添加本文提出的特征四、實驗方案ACE2005中文語料哈工大語言云（LTP）Stanford

ParserSVM-LIGHT-TK

1.2語料：分詞工具：句法分析工具：分類器：五倍交叉驗證四、實驗方案實驗評價除了采用常用的P、R、F以外，還使用F%和TFF%：F值與相應(yīng)的關(guān)系類型中實例個數(shù)在全體實例所占的百分比的乘積TF：各個關(guān)系類型的F%相加之和，能夠反映某種特征的總體性能五、實驗結(jié)果單一特征的實驗結(jié)果TF關(guān)系大類關(guān)系小類實體類型信息83.284.9《詞林》編碼68.877.4《詞林》編碼樹73.581.2