中文文檔中學(xué)術(shù)活動(dòng)事務(wù)信息的提取.pdf

1、學(xué)術(shù)關(guān)系網(wǎng)絡(luò)屬于社會(huì)關(guān)系網(wǎng)絡(luò)中的一種，而學(xué)術(shù)關(guān)系蘊(yùn)含在豐富的學(xué)術(shù)活動(dòng)事務(wù)信息中，隨著我國(guó)科學(xué)技術(shù)評(píng)價(jià)的發(fā)展，如何從大量的學(xué)術(shù)活動(dòng)事務(wù)信息中挖掘隱含的學(xué)術(shù)關(guān)系，建立學(xué)術(shù)關(guān)系網(wǎng)絡(luò)成為了重要的研究課題。因此，有效的提取這些學(xué)術(shù)活動(dòng)事務(wù)信息成為了建立學(xué)術(shù)關(guān)系網(wǎng)絡(luò)的首要條件。然而學(xué)術(shù)活動(dòng)事務(wù)信息一般都是以文本的形式存在的，所以本文提出了一種基于條件隨機(jī)場(chǎng)的在中文文檔中提取學(xué)術(shù)活動(dòng)事務(wù)信息的方法。
　　根據(jù)學(xué)術(shù)活動(dòng)事務(wù)信息描述時(shí)具有的長(zhǎng)距離依

2、賴(lài)關(guān)系的特點(diǎn)，采用條件隨機(jī)場(chǎng)(Conditional Random Fields，Crfs)的方法對(duì)其進(jìn)行狀態(tài)序列預(yù)測(cè)。由于我們采用的是crf++作為序列預(yù)測(cè)的算法工具，因此根據(jù)它對(duì)輸入數(shù)據(jù)的要求，進(jìn)行了訓(xùn)練數(shù)據(jù)和測(cè)試數(shù)據(jù)的準(zhǔn)備工作，并且重點(diǎn)研究了在進(jìn)行特征模板設(shè)計(jì)時(shí)的準(zhǔn)則及方法，實(shí)現(xiàn)了學(xué)術(shù)活動(dòng)事務(wù)信息的自動(dòng)標(biāo)注。同時(shí)，在文本預(yù)處理的過(guò)程中，采用了正則匹配的方法對(duì)分詞不準(zhǔn)確的詞語(yǔ)進(jìn)行了適當(dāng)?shù)奶幚?。并且根?jù)實(shí)驗(yàn)結(jié)果選擇了最優(yōu)模板的組合模板

3、，使學(xué)術(shù)活動(dòng)事務(wù)信息的標(biāo)注取得了較為滿(mǎn)意的結(jié)果。
　　由于在一般的條件隨機(jī)場(chǎng)的訓(xùn)練過(guò)程中都是采用手工收集訓(xùn)練數(shù)據(jù)，既費(fèi)時(shí)耗力，又不能完全代表所有申請(qǐng)書(shū)的語(yǔ)句格式，所以本文采用了一種基于KNN的半監(jiān)督學(xué)習(xí)方法將訓(xùn)練數(shù)據(jù)的收集過(guò)程進(jìn)行了改進(jìn)。該方法是根據(jù)較少的訓(xùn)練數(shù)據(jù)訓(xùn)練得到Crfs模型，用驗(yàn)證數(shù)據(jù)中的標(biāo)注結(jié)果進(jìn)行KNN分類(lèi)器的訓(xùn)練，再用得到的分類(lèi)規(guī)則在測(cè)試數(shù)據(jù)的標(biāo)注結(jié)果中選擇出有意義的未標(biāo)注數(shù)據(jù)，補(bǔ)充到訓(xùn)練數(shù)據(jù)中，從而提高訓(xùn)練數(shù)據(jù)的