開放域事件抽取與微博事件檢測(cè)跟蹤.pdf

1、隨著web2.0時(shí)代的到來,網(wǎng)絡(luò)文本數(shù)據(jù)成爆炸式增長,使人們淹沒在數(shù)據(jù)的海洋中。如何對(duì)海量數(shù)據(jù)進(jìn)行處理、如何高效地為用戶提供需要的信息成為亟待解決的問題。開放域事件抽取正是在這一背景下逐步興起的。
　　本文中開放域事件定義與傳統(tǒng)事件定義不同,主要以任意領(lǐng)域事件觸發(fā)詞為核心,并包括與其關(guān)聯(lián)的時(shí)間、地點(diǎn)、人物、數(shù)量等多種元素構(gòu)成的結(jié)構(gòu)化數(shù)據(jù),是不可預(yù)測(cè)的。本文的研究內(nèi)容主要針對(duì)傳統(tǒng)新聞媒體中的自由文本進(jìn)行開放域事件抽取。同時(shí)由于微博也

2、是一種信息分享、傳播平臺(tái),對(duì)于熱點(diǎn)事件挖掘有著重要意義,因此本文也研究了面向微博數(shù)據(jù)的事件檢測(cè)、跟蹤、表示。
　　對(duì)于開放域事件抽取,本文將其分成兩階段任務(wù):開放域事件觸發(fā)詞抽取與開放域事件元素抽取。針對(duì)觸發(fā)詞抽取,本文提出基于規(guī)則的方法和基于CRF模型的方法。規(guī)則方法需人工構(gòu)建規(guī)則,有著抽取速度快、表征能力強(qiáng)的優(yōu)點(diǎn),但也存在規(guī)則不完備,過分依賴句法分析的缺點(diǎn)。CRF模型方法抽取準(zhǔn)確率高,受句法分析影響小,但對(duì)于復(fù)雜句式抽取效果差

3、。本文在此基礎(chǔ)上將二者結(jié)合的融合策略,并通過實(shí)驗(yàn)證明融合方法的有效性。對(duì)于事件元素抽取,本文首先使用最大熵模型進(jìn)行抽取,該方法簡單,但沒考慮到候選事件元素之間的特征,對(duì)于單句多個(gè)事件的情況抽取效果差。因此本文提出基于超圖分割的事件元素抽取方法。通過將候選事件元素之間的語言特征和候選事件元素與觸發(fā)詞之間的語言特征融入到超圖模型中,并使用超圖分割算法進(jìn)行事件元素的識(shí)別,該方法對(duì)于單句多個(gè)事件的情況有較好的抽取效果。
　　針對(duì)微博數(shù)據(jù),

4、本文提出了一套完整的事件檢測(cè)、跟蹤、表示的框架。本文根據(jù)微博事件的特點(diǎn),重點(diǎn)考慮了事件的時(shí)間演變效應(yīng)。在事件跟蹤過程中,本文新穎地從圖論角度出發(fā),使用二部圖匹配算法進(jìn)行事件跟蹤。在事件表示中,本文著重從社會(huì)學(xué)角度考慮,引入了微博影響度因素,完善微博事件表示方法。
　　本文的開放域事件抽取研究可以幫助用戶從互聯(lián)網(wǎng)文本中高效挖掘有用信息,也可以為知識(shí)推理或者問答系統(tǒng)等更高層的自然語言應(yīng)用提供支持,因此具有十分重要的應(yīng)用價(jià)值和產(chǎn)業(yè)意義。