基于新聞數(shù)據(jù)的中文人物社會關系抽取研究.pdf

1、隨著互聯(lián)網規(guī)模的不斷擴大，其中蘊含的信息和數(shù)據(jù)也在持續(xù)增長。信息抽取技術的目標是從互聯(lián)網中的海量無結構化數(shù)據(jù)中挖掘出結構化的數(shù)據(jù)。實體關系抽取是信息抽取的子任務，已經成為數(shù)據(jù)挖掘與信息檢索領域的一個研究熱點。人物關系抽取屬于實體關系抽取的一個方面，人物關系三元組數(shù)據(jù)被用于構建人物關系網絡和問答系統(tǒng)，具有較高的應用價值。但是，目前關系抽取研究主要集中在英文語料的處理上，基于中文數(shù)據(jù)的關系抽取研究進展比較緩慢且研究難度較大?；跈C器學習的關

2、系抽取方法因其在關系抽取結果上較好的表現(xiàn)，已經成為目前的研究熱點。按照訓練數(shù)據(jù)獲取方式的不同，本文對基于半監(jiān)督學習，遠監(jiān)督學習和無監(jiān)督學習的三種方法進行研究，主要貢獻如下:
　　1.有監(jiān)督學習的關系抽取方法對人工標注的訓練數(shù)據(jù)的依賴性較強，且人工標注的成本過高。為了在少量標注數(shù)據(jù)的條件下也能獲取較高的關系抽取性能，本文對半監(jiān)督學習的關系抽取方法進行研究。使用基于標簽傳播的半監(jiān)督學習算法能提升少量標注數(shù)據(jù)下的關系抽取效果，但是隨機選

3、擇訓練樣本會影響關系抽取性能。為了提升標簽傳播算法的關系抽取效果，本文將標簽傳播算法與主動學習方法相結合用于人物關系抽取。這個方法主動選取對于關系分類的幫助最大的樣本進行標注，可以減少無效標注樣本數(shù)量，在相同標注數(shù)據(jù)量的條件下提升系統(tǒng)的性能。
　　2.在目前的關系抽取研究中，遠監(jiān)督方法通常用于自動構建訓練數(shù)據(jù)，但是遠監(jiān)督學習的基本假設存在不準確的問題，從而在訓練數(shù)據(jù)中會引入噪聲數(shù)據(jù)。本文針對該問題提出了基于打分函數(shù)過濾訓練數(shù)據(jù)中噪

4、聲的方法，能減少基于遠監(jiān)督學習獲取的訓練數(shù)據(jù)中的噪聲數(shù)據(jù)。另外，針對目前關系抽取系統(tǒng)的準確率不夠理想的問題，本文應用詞向量技術從單句文本中提取基于詞向量的若干特征加入常用的關系抽取特征系統(tǒng)中，用于提升人物關系抽取系統(tǒng)的表現(xiàn)。
　　3.以上方法都需要預先定義關系類型后進行關系抽取獲得相應的關系實例。這些方法會限制了關系抽取模型可以獲得的關系種類，無法得到新的關系類型的關系三元組數(shù)據(jù)。因此本文提出了一種不需要訓練數(shù)據(jù)以及預先定義的關系