基于句法和語義分析的中文實體關(guān)系抽取.pdf

1、隨著互聯(lián)網(wǎng)技術(shù)的迅猛發(fā)展以及用戶規(guī)模的爆炸式增長，網(wǎng)絡(luò)上涌現(xiàn)了大量的文本數(shù)據(jù)。從海量的自然文本數(shù)據(jù)中自動、快速、有效地提取出有用的知識已成為人們的迫切需求。計算機(jī)應(yīng)用程序和系統(tǒng)也依賴特定的“知識”來完成特定的功能，例如互聯(lián)網(wǎng)搜索、自動導(dǎo)航、自動問答、機(jī)器翻譯、語音識別等系統(tǒng)的應(yīng)用都離不開知識庫的支持。實體關(guān)系抽取是構(gòu)建知識庫的關(guān)鍵技術(shù)之一，其目的在于從自然語言文本中提取出命名實體之間所存在的語義關(guān)系。實體關(guān)系抽取已經(jīng)成為數(shù)據(jù)挖掘、機(jī)器學(xué)

2、習(xí)、人工智能以及自然語言處理等領(lǐng)域的研究熱點;同時具有重大的應(yīng)用價值和廣闊的應(yīng)用前景，也已成為工業(yè)界關(guān)注的焦點。
　　已有實體關(guān)系抽取的研究主要集中于英語語料庫，而對中文實體關(guān)系抽取的研究較少，雖然取得了一些可喜的成果，但其準(zhǔn)確率和召回率都還有待進(jìn)一步提高。因此，本文主要關(guān)注于中文實體關(guān)系抽取研究。
　　一方面，網(wǎng)絡(luò)中文文本中存在大量句式結(jié)構(gòu)復(fù)雜的長句，句中經(jīng)常包含多個實體信息，由此構(gòu)成的實體對數(shù)量也較多;實體類型的數(shù)量分布

3、不均勻。這些文本數(shù)據(jù)特點給中文顯式關(guān)系抽取任務(wù)帶來了巨大的挑戰(zhàn)。已有基于特征的關(guān)系抽取方法對于中文復(fù)雜長句，不能有效地提取到真正表示實體關(guān)系類型的特征，從而降低了顯式關(guān)系抽取性能。以旅游領(lǐng)域為例，中文顯式關(guān)系抽取研究中存在的不足具體表現(xiàn)在:
　　(1)已有基于特征的方法經(jīng)常將依存句法關(guān)系特征用于顯式關(guān)系抽取，通常只是單獨(dú)無序地使用兩個實體的依存句法關(guān)系特征，無法真正表示出該實體對在句中對應(yīng)的句法結(jié)構(gòu)，導(dǎo)致該特征在關(guān)系抽取中的作用不

4、明顯，從而影響顯式關(guān)系抽取性能。
　　(2)在顯式關(guān)系抽取中，經(jīng)典的動詞特征研究一般都選擇距離位置較后實體最近的動詞作為依賴動詞特征。由于跨長距離的實體對所在句子中通常會包含多個動詞，而經(jīng)典的動詞特征研究并非都能有效提取到真正表征該實體對關(guān)系類型的動詞，因此會影響實體關(guān)系類型的判別，導(dǎo)致顯式關(guān)系抽取的準(zhǔn)確率下降。此外，經(jīng)典的動詞特征研究并非都能有效地幫助實體之間有無關(guān)系的探測以及關(guān)系類型的區(qū)分，有時甚至?xí)泶罅吭胍?，特別是在關(guān)系

5、探測上該問題尤為突出。
　　另一方面，中文文本中蘊(yùn)含著大量種類繁多的隱式關(guān)系。與顯式關(guān)系相比，隱式關(guān)系由于缺少支持具體關(guān)系類型的直接證據(jù)，通常需要借助句子內(nèi)容層面的語義關(guān)聯(lián)性，結(jié)合相關(guān)語言學(xué)信息、具體的上下文語義信息以及相關(guān)領(lǐng)域知識進(jìn)行間接推理。然而，語義關(guān)系的歧義性、句子結(jié)構(gòu)的復(fù)雜性、上下文信息的不確定性及數(shù)據(jù)不平衡等問題，使得隱式關(guān)系抽取任務(wù)更復(fù)雜、推理難度也更大，而且還無法采用通用的模型來實現(xiàn)。中文隱式關(guān)系抽取研究的難點表現(xiàn)

6、在:
　　(1)由于中文和英文的語言特點存在巨大的差異性，針對英語的隱式關(guān)系抽取方法不能直接應(yīng)用于中文隱式關(guān)系抽取上。因此，中文隱式關(guān)系抽取的研究是關(guān)系抽取的重點和難點。
　　(2)中文句型復(fù)雜多樣，不同的句型結(jié)構(gòu)中隱含著許多不同類型的實體關(guān)系，導(dǎo)致借助額外知識進(jìn)行隱式關(guān)系抽取的方法也有所不同，無法采用通用的方法來實現(xiàn)。因此，需要對句子結(jié)構(gòu)和上下文進(jìn)行深入分析和理解，從而構(gòu)建更多更精細(xì)的隱式關(guān)系抽取模型。
　　針對上述

7、問題，本文主要關(guān)注于中文顯式關(guān)系和隱式關(guān)系抽取，研究的主要內(nèi)容包括:
　　(1)基于句法語義特征的中文顯式關(guān)系抽取
　　本文從句法和語義角度獲取三個有效表達(dá)實體關(guān)系類型的特征，提出了基于句法語義特征的中文顯式關(guān)系抽取方法，有助于提升顯式關(guān)系抽取的性能。具體特征包括:
　　①依存句法關(guān)系組合特征。按照兩個實體出現(xiàn)的先后順序，將兩個實體各自的依存句法關(guān)系進(jìn)行有序組合，得到依存句法關(guān)系組合特征。該特征具有一定的區(qū)分度，可以較

8、好地反映出相應(yīng)實體之間的關(guān)系類型特征。
　　②最近句法依賴動詞特征。結(jié)合句型結(jié)構(gòu)特點，從語義角度提出了最近句法依賴動詞特征，其目標(biāo)是通過依存句法分析和詞性來提取一個句子中兩個實體的最近句法依賴動詞特征。由于存在直接語義關(guān)聯(lián)和間接語義關(guān)聯(lián)的兩個實體之間的依存路徑有所不同，通過對依存路徑進(jìn)行分析提出了最近句法依賴動詞特征獲取算法。
　　③趨向核心動詞特征。對于包含“到、來、去”等趨向動詞的句子，最近句法依賴動詞特征也不能有效表征

9、實體之間真正的關(guān)系類型，影響了顯式關(guān)系抽取性能。在最近句法依賴動詞特征基礎(chǔ)上，進(jìn)一步提出了趨向核心動詞特征。
　　(2)基于協(xié)陪義動詞的中文隱式關(guān)系抽取
　　由于旅游和新聞領(lǐng)域文本包含許多由協(xié)陪義動詞引發(fā)的隱式關(guān)系，本文試圖以協(xié)陪義動詞為核心，根據(jù)句子結(jié)構(gòu)和上下文的理解構(gòu)建基于協(xié)陪義動詞的隱式關(guān)系抽取推理規(guī)則，將顯式關(guān)系抽取和隱式關(guān)系抽取相結(jié)合，利用顯式關(guān)系對隱式關(guān)系進(jìn)行推理，充分發(fā)揮各自的優(yōu)勢，致力解決旅游和新聞領(lǐng)域中基于

10、協(xié)陪義動詞的中文隱式關(guān)系抽取問題。具體研究內(nèi)容有:
　?、賲f(xié)陪義候選句的篩選。采用多種方法構(gòu)建協(xié)陪義動詞詞表，利用協(xié)陪義動詞詞表對數(shù)據(jù)集中包含協(xié)陪義動詞的句子進(jìn)行篩選。
　?、趨f(xié)陪義候選句型判斷。根據(jù)協(xié)陪義動詞在句中充當(dāng)?shù)牟煌煞?，利用依存句法分析，對協(xié)陪義候選句型進(jìn)行判斷，并進(jìn)行句型分類。
　　③協(xié)陪義成分識別。由于協(xié)陪義動詞在不同句型中充當(dāng)?shù)某煞植煌?，?dǎo)致對參與協(xié)陪義動作的實體進(jìn)行成分識別的方法也有所不同。進(jìn)一步利

11、用依存句法分析，針對五種協(xié)陪義句型分別設(shè)計了不同的協(xié)陪義成分識別算法。
　?、茈[式關(guān)系推理規(guī)則的構(gòu)建。根據(jù)利用的額外知識與協(xié)陪義動詞是否處于同一句子中，提出了兩類隱式關(guān)系推理方法—句內(nèi)基于協(xié)陪義動詞的隱式關(guān)系推理方法和句間基于協(xié)陪義動詞的隱式關(guān)系推理方法。根據(jù)協(xié)陪義成分和協(xié)陪義動詞作用范圍的特點，設(shè)計了三種句內(nèi)基于協(xié)陪義動詞的隱式關(guān)系推理規(guī)則。利用協(xié)陪義句中零形回指的先行詞，建立不同句子中協(xié)陪義動詞的主體成分與客體成分之間的聯(lián)系，

12、實現(xiàn)句間基于協(xié)陪義動詞的隱式關(guān)系抽取。借助顯式關(guān)系對隱式關(guān)系進(jìn)行推理，將規(guī)則與機(jī)器學(xué)習(xí)的方法相結(jié)合，有效解決了基于協(xié)陪義動詞的中文隱式關(guān)系抽取問題，從而更準(zhǔn)確地發(fā)現(xiàn)更多的實體關(guān)系，提升了中文關(guān)系抽取的整體性能。
　　本文的主要創(chuàng)新性工作體現(xiàn)在:
　　(1)從語義角度提出最近句法依賴動詞特征和趨向核心動詞特征。最近句法依賴動詞特征能較好地表征實體關(guān)系類型，有利于具體關(guān)系類型的識別，而且較好地解決數(shù)據(jù)分布不均衡帶來的問題，能夠顯

13、著提升中文顯式關(guān)系抽取性能。趨向核心動詞特征進(jìn)一步提高了動詞特征對中文顯式關(guān)系抽取性能的影響。
　　(2)提出句內(nèi)基于協(xié)陪義動詞的隱式關(guān)系推理規(guī)則。設(shè)計了協(xié)陪義候選句型分類算法以及相應(yīng)的協(xié)陪義成分識別算法;構(gòu)建了三種句內(nèi)基于協(xié)陪義動詞的隱式關(guān)系推理規(guī)則，有效解決句內(nèi)基于協(xié)陪義動詞的中文隱式關(guān)系抽取問題。
　　(3)提出句間基于協(xié)陪義動詞的隱式關(guān)系推理規(guī)則。從零形回指的角度，提出了句間基于協(xié)陪義動詞的隱式關(guān)系推理規(guī)則，有效解決