基于MLN的中文事件推理方法的研究.pdf

1、在數(shù)據(jù)爆炸性增長的環(huán)境下，信息抽取成為一種從海量數(shù)據(jù)中獲取有價值信息的重要手段。事件抽取是信息抽取的一個子任務(wù)，其目的是把含有事件信息的無結(jié)構(gòu)化文本以結(jié)構(gòu)化的形式呈現(xiàn)出來，對問答系統(tǒng)、自動文摘和信息檢索等自然語言處理應(yīng)用的發(fā)展有著重要作用?，F(xiàn)有的事件抽取方法大多將事件實例看作孤立的個體，忽略了事件實例之間的內(nèi)在聯(lián)系。
　　本文主要從中文事件觸發(fā)詞推理、中文事件論元推理及中文事件聯(lián)合推理三個方面進(jìn)行研究，主要研究內(nèi)容如下:
　

2、　第一，針對中文中存在的缺省問題，提出了基于馬爾科夫邏輯網(wǎng)絡(luò)(Markov Logic Metworks,MLN)的中文事件觸發(fā)詞推理方法，運用篇章?致性原理、形態(tài)結(jié)構(gòu)和組合語義學(xué)進(jìn)行觸發(fā)詞推理。在人ACE2005中文語料上的實驗表明，在觸發(fā)詞識別和事件類型分類上的 Fl值比基準(zhǔn)系統(tǒng)分別提升了3.65％和2.51%。
　　第二，針對現(xiàn)有的論元抽取方法中單純利用句子級特征所導(dǎo)致的與觸發(fā)詞距離遠(yuǎn)的論元抽取性能低下的問題，提出了基于ML

3、N的中文事件論元推理方法，運用篇章一致性原理和實體語義信息進(jìn)行論元推理。在兩個事件主題(沖突主題和司法主題)上實驗的結(jié)果表明，和基準(zhǔn)系統(tǒng)相比，在論元識別和論元角色分配上的F1值分別提高了6.84%和5.71%。
　　第三，針對傳統(tǒng)的事件抽取系統(tǒng)中管道模型會造成級聯(lián)錯誤這一缺點，本文提出了基于MLN的中文事件聯(lián)合推理方法，利用篇章級信息，加入了同指一致性和論元數(shù)量推理等推理規(guī)則，利用論元抽取中有價值的信息反過來幫助觸發(fā)詞抽取，從而恢