基于自扩展与最大熵的领域实体关系自动抽取

被引：3

作者：

雷春雅 ^{[1
]}

郭剑毅 ^{[1
,2
]}

余正涛 ^{[1
,2
]}

毛存礼 ^{[1
,2
]}

张少敏 ^{[1
]}

黄甫 ^{[1
]}

机构：

[1] 云南昆明理工大学信息工程与自动化学院

[2] 云南省计算机技术应用重点实验室智能信息处理研究所

来源：

山东大学学报(工学版) | 2010年 / 40卷 / 05期

关键词：

实体关系抽取; 最大熵; 自扩展; 特征;

D O I：

暂无

中图分类号：

TP391.4 [模式识别与装置];

学科分类号：

0811 ; 081101 ; 081104 ; 1405 ;

摘要：

实体关系自动获取是信息抽取的难题之一。本文提出自扩展算法和最大熵机器学习算法相结合的方法,以旅游领域为研究对象进行实体关系的自动抽取。首先利用自扩展算法自动获取能体现实体对间大类关系的语义词汇,该词汇作为特征加入最大熵机器学习算法的特征集,并设定阈值实现训练语料的自动标注;然后使用最大熵机器学习算法对训练语料进行学习,构建实体关系抽取的分类器,实现实体关系的自动获取。在收集600篇旅游领域语料的基础上进行实验,4大类实体关系的抽取获得了较好的结果,其中地理位置关系和时节关系的F值分别为82.56%和81.17%。实验结果表明:在人工干预较少的情况下,加入实体对间的语义词汇能有效提高抽取效果。

引用

页码：141 / 145

页数：5

共 8 条

[1] 基于种子自扩展的命名实体关系抽取方法 [J].

何婷婷 ;

徐超 ;

李晶 ;

赵君喆 .

计算机工程, 2006, (21) :183-184+193

[2] 实体关系自动抽取 [J].

车万翔 ;

刘挺 ;

李生 .

中文信息学报, 2005, (02) :1-6

[3]

语言学知识的计算机辅助发现[M]. 科学出版社 , 白硕著, 1995

[4]

Maximum entropy modeling toolkit for python and C++. ZHANG L. ht-tp://homepages.inf.ed.ac.uk/s0450736/maxent-tool-kit.html . 2010

[5]

A maximum entropy approach to natural language processing. Berger A L,Pietra SAD,Pietra VJD. Computational Linguistics . 1996

[6]

Design of a Mathematical Expression Recognition System. Lee H J,,Wang J S. Pattern Recognition . 1995

[7]

A study on automated relation labelling in ontology learning. Kavalec M,Svátek V. Ontology Learning from Text: Methods, Evaluation and Applications . 2005

[8]

Exploring Various Knowledge in Relation Extraction. Zhou, G.D,Su, J,Zhang, J,Zhang, M. Proceedings of 43rd Annual Meeting of the Association for Computational Linguistics (ACL’05) . 2005

← 1 →