周舜哲

摘要：實體關(guān)系特征的選擇是實體關(guān)系抽取的核心問題。在以前的研究主要要是以實體原始特征和詞法特征來體現(xiàn)實體關(guān)系，在一定程度上來說很難再將抽取效果進一步提高。本文在傳統(tǒng)的研究基礎(chǔ)之上，闡述一種以語義和句法為主要特征進行抽取的新方法，并且融入了謂詞、句法和語義等一些角色，將SVM作為輔助工具，將真實的新聞消息進行試驗。

關(guān)鍵詞：句法語義特征；關(guān)系抽取

相對而言，由于中文語言結(jié)構(gòu)的獨特性和語義的復(fù)雜性，中文實體關(guān)系抽取研究整體上與國外的研究還存在一定差距，常用的基于淺層語法分析獲取特征的方法已經(jīng)達到瓶頸。本文也將采用 SVM模型訓(xùn)練語料，但于以往不同的是，該方法擴展了實體關(guān)系特征的選擇范圍，除了傳統(tǒng)的詞法特征、實體原始特征外，又選擇了句法特征、語義特征等作為實體關(guān)系特征，主要包 括語義 角 色標(biāo)注、依存 句法關(guān)系、核心謂詞特征等，并依據(jù)中文的語法特點對這些特征進行有機整合，得到二元實體對之間的豐富關(guān)系特征，最后交由SVM 進行訓(xùn)練和測試。

一、本文的主要研究方法

（一）SVM的實體關(guān)系與句法語義特征抽取方法過程

研究方法依據(jù)LTP-Cloud對原始語料進行簡單的初步處理，利用LTP-Cloud對原始語料的詞、句法作為分析結(jié)果的基礎(chǔ)，之后生成二元實體對，將實體對的特征數(shù)據(jù)采集起來，轉(zhuǎn)化成訓(xùn)練文本，然后再將訓(xùn)練文本交給SVM進行強化訓(xùn)練。這不僅是本文的創(chuàng)新內(nèi)容還是最主要的核心部分，因為LTP-Cloud主要以單個句子為研究對象，這就需要我們獲取命名實體信息，將實體句子相互結(jié)合，形成實體對，假如說只有一個實體或者是沒有實體，那就說明不存在真正的實體關(guān)系，就需要我們將其去掉。

（二）實體關(guān)系的基本特征

常規(guī)的實體關(guān)系特征主要從詞法分析結(jié)果來獲取，以往的研究已經(jīng)表明了這些特征的有效性。面向句子中所有實體組成的二元實體對，本文選擇的基本實體關(guān)系主要特征如下：

1.實體種類。目前LTP-Cloud能夠識別的實體種類有人名、地名、組織機構(gòu)名。

2.實體長度。根據(jù)命名實體結(jié)果的標(biāo)識信息中，獲取多詞實體的邊界，并根據(jù)其首尾詞的位置來計算實體長度。

3.實體內(nèi)容。這里采用詞袋機制將實體內(nèi)容由字符轉(zhuǎn)換為數(shù)字。

4.實體中各詞的詞性標(biāo)注。

5.實體的上下文環(huán)境。包括實體前后兩個詞的內(nèi)容以及詞性標(biāo)注信息。

（三）句法語義的主要特征

本方法對處理結(jié)果再進一步的深入研究，可以得到更多的句法語義特征。

1.句法依存關(guān)系。將獲取實體對中每一個實體在原句中所屬的句法依存關(guān)系值。

2.實體與核心謂詞的距離。根據(jù)實體首詞在句中的位置和核心謂詞的位置，計算出每一個實體與核心謂詞的距離。

3.語義角色標(biāo)注。LTP-Cloud的初步結(jié)果中包含了針對所有謂詞的語義角色標(biāo)注結(jié)果，但是只有基于核心謂詞的語義角色標(biāo)注的覆蓋度是最廣的，所以這里也僅選擇基于核心謂詞的語義角色標(biāo)注結(jié)果作為這一特征來源，獲取實體對中每一個實體所屬的語義角色成分，將其作為實體關(guān)系的一種特征。

每組實體對的實際特征個數(shù)會隨著實體長度的不同而不同；這些特征之間的相對位置并不是任意的，需要根據(jù)一定的規(guī)律合理安排。

二、試驗方法與結(jié)果分析

（一）實驗結(jié)果評價標(biāo)準(zhǔn)

預(yù)設(shè)了4種實體關(guān)系種類：人名實體與組織機構(gòu)實體之間的雇傭關(guān)系、組織機構(gòu)實體與地名實體之間的位于關(guān)系、屬于同一種實體類型的 同 類 關(guān) 系和 無 關(guān) 系。由于本文亦將實 體關(guān) 系抽取過程看作是分類的過程，所以這里的評價方式也采用常規(guī)的準(zhǔn)確率、召回率和F1值。

因為分類標(biāo)注問題不同于信息檢索問題，所以應(yīng)計算所有實體關(guān)系種類的準(zhǔn)確率和召回率的平均值，以此作為整體抽取結(jié)果的準(zhǔn)確率和召回率，并由此得出整體F1值。

（二）實驗設(shè)計思路

本方法用1998年1月份的《人民日報》所有版面內(nèi)容作為語料，共含有4萬多個中文句子。由于LTP-Cloud需要以句子為基本處理對象，所以還需采用基于規(guī)則的方法將語料內(nèi)容進行分句。將上述語料通過LTP-Cloud處理后，可得到含有約8.5萬個唯一實體的處理結(jié)果，由此可得到約3.6億個二元實體對，將其中的80%作為訓(xùn)練語料，20% 作為測試語料，進一步分析出實體對中句法語義特征數(shù)據(jù)，并人工添加實體關(guān)系分類標(biāo)注，最終形成訓(xùn)練語料。采用libSVM作為輔助工具，在SVM的訓(xùn)練過程中，選擇RBF作為核函數(shù)，采用交叉驗證法，得到最優(yōu)參數(shù)c=2.0， g=0.5， CV rate=73.1905。實驗程序采用Python語言編寫實現(xiàn)。

（三）實驗結(jié)果分析

為了與傳統(tǒng)研究方法進行比較，對比組選取傳統(tǒng)的基本特征，實驗組在原有傳統(tǒng)基本特征的基礎(chǔ)之上加入句法語義特征。

通過以上的統(tǒng)計結(jié)果研究顯示，實驗組的抽取效果很明顯的優(yōu)越于對照組。同時位于關(guān)系、同類關(guān)系和無關(guān)系的效果更加明顯一些，所以說本研究方法是有一定的實際意義的。

但是其中也存在一個明顯的問題，從局部來看，部分實體關(guān)系抽取的效果相對較差，例如，人名實體與組織機構(gòu)實體之間的雇傭關(guān)系。在實體對中，并不是只要存在一個人名實體與一個組織機構(gòu)實體，就應(yīng)認(rèn)定他們之間存在雇傭關(guān)系，只是在句中的位置、具體的詞不同，所以這就容易導(dǎo)致分類錯誤。

三、結(jié)束語

本文提出了一種基于句法語義特征的實體關(guān)系抽取方法，與以往的實體關(guān)系抽取方法相比，本文新增了句法分析結(jié)果和語義分析結(jié)果作為為實體關(guān)系的特征，實驗結(jié)果表明此方法效果明顯。另外，本方法以句子為處理單位，缺少篇章處理的視野，未來將在上述方面繼續(xù)做深入研究。

參考文獻：

[1]徐健，張智雄，吳振新.實體關(guān)系抽取的技術(shù)方法綜述[J].現(xiàn)代圖書情報技術(shù)，2014，24（08）：18-23.