無(wú)監(jiān)督關(guān)系抽取方法研究.pdf

1、實(shí)體關(guān)系抽取是信息抽取領(lǐng)域內(nèi)的重要研究課題。同時(shí)，實(shí)體關(guān)系的識(shí)別對(duì)于篇章理解、信息檢索、問(wèn)答系統(tǒng)和機(jī)器翻譯等方面的研究都有非常重要的意義。隨著信息呈海量趨勢(shì)，關(guān)系抽取已經(jīng)成為一個(gè)熱門的研究方向。
　　自從關(guān)系抽取的概念被提出以來(lái)，在實(shí)體關(guān)系抽取方面的工作絕大多數(shù)都集中在有監(jiān)督的機(jī)器學(xué)習(xí)方法。這些方法雖然有較好的準(zhǔn)確性，但是需要標(biāo)注大規(guī)模的語(yǔ)料，而這通常需要耗費(fèi)大量的人力、物力。近年，弱監(jiān)督與無(wú)監(jiān)督方法相繼被提出來(lái)。這些方法雖然能夠

2、解決有監(jiān)督方法需要標(biāo)注大量訓(xùn)練語(yǔ)料的缺陷，但是仍然存在特征獲取不準(zhǔn)和精度低等問(wèn)題。
　　本文提出了一個(gè)從大規(guī)模語(yǔ)料中提取實(shí)體關(guān)系的無(wú)監(jiān)督的方法。該方法基于具有相同關(guān)系的命名實(shí)體對(duì)具有相似的上下文這一假設(shè)。在此假設(shè)之下，抽取關(guān)系的過(guò)程就可以轉(zhuǎn)化為計(jì)算實(shí)體對(duì)上下文相似度的過(guò)程。本文的工作主要體現(xiàn)在三個(gè)方面：首先，引入了一個(gè)在文本處理領(lǐng)域把文本特征轉(zhuǎn)換為數(shù)字特征的經(jīng)典的向量空間模型，該模型表示方法是在關(guān)系的上下文中提取其特征項(xiàng)，并以某種

3、方式對(duì)特征項(xiàng)賦予一定的權(quán)重構(gòu)造特征向量，再依據(jù)各個(gè)特征對(duì)聚類的貢獻(xiàn)對(duì)每個(gè)特征進(jìn)行選擇的方法；其次，為了提取向量化的實(shí)體對(duì)數(shù)據(jù)內(nèi)存在的關(guān)系提出了一個(gè)改進(jìn)的聚類算法，該算法不但能夠顯著地提高原有算法的準(zhǔn)確率，而且運(yùn)行的效率沒(méi)有明顯的下降；最后，提出了一個(gè)基于分類特征識(shí)別的方法來(lái)對(duì)實(shí)體對(duì)關(guān)系進(jìn)行標(biāo)記。
　　為了驗(yàn)證提出的命名實(shí)體關(guān)系抽取方法的可行性與有效性，在ACE語(yǔ)料上的EMP-ORG、GPE-AFF、PHYS這幾大類關(guān)系上進(jìn)行了實(shí)驗(yàn)