丁晟春 王 莉 劉夢露

(南京理工大學(xué)經(jīng)濟管理學(xué)院 江蘇 南京 210094)

0 引 言

近年來，隨著經(jīng)濟全球化的發(fā)展，動物及其產(chǎn)品流通頻繁，疫病傳播機會大大增加，加之環(huán)境嚴(yán)重污染，使動物疫病更加復(fù)雜，呈現(xiàn)危害加重、種類增加、混合感染等特點，給防制工作帶來了新的挑戰(zhàn)和困難。除了動物養(yǎng)殖人員對動物健康持有高強度的關(guān)注外，禽類、魚、牛、羊等多種動物直接或間接的進入大眾餐盤，這也使得每一個民眾時時刻刻都關(guān)注著動物健康。在網(wǎng)絡(luò)媒體時代，動物衛(wèi)生事件一旦發(fā)生，很容易被推到風(fēng)口浪尖上。如果不對動物衛(wèi)生輿情加以有效管理和良性引導(dǎo)，輕則引起企業(yè)和行業(yè)巨大損失，重則發(fā)展為公共安全事件，引起群體恐慌，謠言的散布會危害社會的安定秩序，甚至?xí)l(fā)群體性事件。在海量信息面前很難通過直接瀏覽的方式獲取信息，因此如何高效準(zhǔn)確地從動物衛(wèi)生輿情信息中抽取出衛(wèi)生事件的主體信息成為研究的要點。本文以動物衛(wèi)生事件新聞信息為研究對象，使用基于規(guī)則的抽取方法實現(xiàn)時間、地點、疫病名稱、動物數(shù)量、應(yīng)對措施等內(nèi)容的抽取。

當(dāng)前事故信息抽取研究中的不足主要有：(1) 為了能夠達到較高的語言覆蓋度，現(xiàn)有研究會構(gòu)建大量抽取規(guī)則而且抽取關(guān)鍵字大都直接寫入抽取規(guī)則，這使得抽取規(guī)則的后續(xù)查閱和維護變得困難；(2) 對于涉及多個事故信息或包含多個同一屬性項值的文本，現(xiàn)有的基于規(guī)則抽取方法僅能抽取到屬性值，無法準(zhǔn)確區(qū)分抽取到的值哪個是最終有效信息，導(dǎo)致抽取效果差。

為了改善以上缺點，本文總結(jié)待抽取屬性項的描述規(guī)律以及出現(xiàn)位置和方向，構(gòu)建觸發(fā)詞表，使用各類觸發(fā)詞的詞性標(biāo)注設(shè)計抽取規(guī)則，提高抽取規(guī)則的使用和維護效率。提出基于節(jié)點比較的方法有效區(qū)分文本中出現(xiàn)的多個動物數(shù)量屬性項，提高了抽取效果。

1 相關(guān)工作

在網(wǎng)絡(luò)信息量呈指數(shù)級增長的環(huán)境下，如何從大量的信息中及時并準(zhǔn)確地抽取、 過濾、歸類形成便于用戶使用的信息變得尤為重要。而信息抽取就是從一個文本中抽取指定信息并將其結(jié)構(gòu)化的存入數(shù)據(jù)庫中供用戶查詢使用的過程[1]。目前常用的信息抽取方法有：基于統(tǒng)計的信息抽取方法[2-3]和基于規(guī)則的信息抽取方法[4-5]。基于統(tǒng)計的信息抽取是一種基于概率性的非確定性的信息抽取方法。該方法首先需要構(gòu)造一個模型模擬信息抽取過程，應(yīng)用統(tǒng)計學(xué)方法從訓(xùn)練語料中得到模型的參數(shù)，然后利用訓(xùn)練好的模型進行信息抽取[6]。但是，統(tǒng)計模型通常借助于獨立性假設(shè)使模型只能處理結(jié)構(gòu)關(guān)系依賴性不強的對象?；谝?guī)則的信息抽取技術(shù)是相對應(yīng)用比較廣和比較成熟的一種抽取技術(shù)?；裟鹊萚7]以火山爆發(fā)、泥石流、客輪沉沒三種災(zāi)難性追蹤事件作為研究對象，分析相關(guān)事件報道之間的連續(xù)性、多角度性等文本特點，構(gòu)建了54條抽取規(guī)則對災(zāi)難性追蹤事件文本抽取。丁學(xué)軍等[8]通過大量領(lǐng)域內(nèi)文獻的閱讀、分析和歸納構(gòu)建屬性描述的規(guī)則，對《情報學(xué)報》2007年和2008年的文章里的學(xué)術(shù)概念進行抽取。蔣德良[9]把突發(fā)事件的結(jié)果總共分為20類，并為自然災(zāi)害事件、人為事件及疾病爆發(fā)事件三大類事件共建立了284條抽取規(guī)則，實現(xiàn)突發(fā)事件結(jié)果信息的抽取。余晨等[10]對長江海事局網(wǎng)站險情報告版塊中描述海事險情概況的文本進行分析，人工編制規(guī)則實現(xiàn)對海事文本中時間、地點、船名和事故類型四個屬性項的抽取。

本文的研究對象為新聞數(shù)據(jù)，由于各網(wǎng)站對動物衛(wèi)生事件新聞報道的描寫風(fēng)格相對一致，且書寫手法發(fā)生變化的可能性小，所以本文將總結(jié)待抽取實體描述的規(guī)律(如在新聞文本的表達方式及位置等)，人工構(gòu)建抽取規(guī)則，實現(xiàn)對動物衛(wèi)生事件輿情信息的抽取。

2 動物衛(wèi)生事件輿情信息的抽取

本文處理的動物衛(wèi)生事件新聞數(shù)據(jù)主要來自我國政府官方網(wǎng)站和人民網(wǎng)、新華網(wǎng)、中國新聞網(wǎng)等新聞網(wǎng)站，從中抽取出動物衛(wèi)生事件的報道時間、發(fā)生地點、引發(fā)衛(wèi)生事件的疫病、衛(wèi)生事件中涉及的動物數(shù)量(染疫、死亡、撲殺)以及為應(yīng)對該衛(wèi)生事件采取的措施。

2.1 信息抽取流程

本文的信息抽取主要包括詞庫構(gòu)建、文本預(yù)處理和信息抽取三個模塊，信息抽取流程如圖1所示。

圖1 信息抽取流程

(1) 詞庫構(gòu)建模塊：為了提高分詞效果和規(guī)則制定需要構(gòu)建動物疫病詞典和信息抽取觸發(fā)詞表。動物疫病詞典的主要來源為2016年世界動物衛(wèi)生組織OIE(Office International Des Epizooties)公布的動物疫病名錄，我國農(nóng)業(yè)部2008年修訂的《一、二、三類動物疫病病種名錄》以及中國動物衛(wèi)生與流行病學(xué)中心較為關(guān)注的疫病。

(2) 文本預(yù)處理模塊：文本預(yù)處理模塊主要包括分句、分詞和詞性標(biāo)注。本模塊使用動物衛(wèi)生事件新聞的標(biāo)題和正文作為實驗語料，將標(biāo)題拼接到正文前形成一整段文本。首先對待抽取語料以“，”、“?！薄ⅰ?！”、“；”、“?”等符號進行分句，再對分句后的文本使用中科院ICTCLAS分詞工具進行分詞并標(biāo)注詞性。

(3) 信息抽取模塊：本模塊將通過對待抽取語料的分析，基于觸發(fā)詞表制定抽取規(guī)則，并使用正則表達式描述抽取規(guī)則建立規(guī)則庫，最后進行動物衛(wèi)生事件新聞的信息抽取實驗。

2.2 觸發(fā)詞表的構(gòu)建

信息抽取規(guī)則是說明目標(biāo)信息的約束條件，抽取規(guī)則主要有觸發(fā)詞、特征詞、開始位置、結(jié)束條件等幾項構(gòu)成。觸發(fā)詞是指對某一屬性的抽取起著識別、標(biāo)志作用，可以觸發(fā)抽取任務(wù)的詞語。以往研究表明觸發(fā)詞一般是動詞或名詞，所以對其他詞性的詞語不予考慮[11]。通過對待抽取語料的文本特征和新聞描述習(xí)慣進行分析，構(gòu)建待抽取屬性項的觸發(fā)詞表。

(1) 時間觸發(fā)詞 網(wǎng)絡(luò)新聞通常會包含新聞發(fā)表時間和報道時間，發(fā)表時間是指新聞網(wǎng)站刊登新聞時系統(tǒng)自動生成的時間，報道時間是指新聞內(nèi)容向讀者報道的時間。在網(wǎng)絡(luò)中，同一件新聞事件會有多個新聞網(wǎng)站對其進行報道或轉(zhuǎn)載，而不同網(wǎng)站新聞的發(fā)表時間是不同的，并且在數(shù)據(jù)抓取時不能保證抓取到的新聞為該事件的首條報道，所以新聞的發(fā)表時間不能準(zhǔn)確地表示輿情信息的出現(xiàn)時間。由此，本文將抽取新聞的報道時間作為輿情信息的出現(xiàn)時間。報道時間作為新聞報道的六大元素之一，一般出現(xiàn)在新聞?wù)氖拙?，包括年、月、日，不會精確到小時，如：“中新網(wǎng)11月17日電”、“農(nóng)民日報12月6日訊”。根據(jù)對待抽取語料統(tǒng)計得出時間觸發(fā)詞有：“電”、“訊”、“報道”、“消息”、“發(fā)布”等。

(2) 疫病名稱觸發(fā)詞 疫病名稱作為動物衛(wèi)生事件報道的核心，基本上會直接出現(xiàn)在動物衛(wèi)生事件新聞的標(biāo)題中，如：“香港活禽檢出H7N9病毒，撲殺約兩萬只家禽”、“立陶宛野生豬染非洲豬瘟”。如果標(biāo)題中未出現(xiàn)疫病名稱，新聞?wù)牡那皟删涠紩σl(fā)動物衛(wèi)生事件的疫病進行描述。疫病名稱觸發(fā)詞有：“檢出”、“出現(xiàn)”、“發(fā)現(xiàn)”、“暴發(fā)”等。

(3) 動物數(shù)量觸發(fā)詞 動物衛(wèi)生事件中涉及的動物數(shù)量可以用來判斷事件的暴發(fā)程度，因此準(zhǔn)確地獲取事件動物數(shù)量十分重要。動物衛(wèi)生事件動物數(shù)量主要包括染疫(疑似染疫)動物數(shù)量、死亡動物數(shù)量和撲殺動物數(shù)量三類。在醫(yī)學(xué)上“染疫”和“發(fā)病”是兩種概念，染疫是發(fā)病的必要條件，所以染疫動物數(shù)量包含發(fā)病動物數(shù)量，本文將發(fā)病動物數(shù)量納入到染疫動物數(shù)量進行抽取。對應(yīng)上述三類動物數(shù)量將動物數(shù)量觸發(fā)詞分為三類。染疫(疑似染疫)動物數(shù)量觸發(fā)詞主要有：“感染”、“發(fā)病”、“染病”等；死亡數(shù)量觸發(fā)詞有：“死亡”、“暴斃”等；撲殺動物數(shù)量觸發(fā)詞有：“撲殺”、“捕殺”、“宰殺”、“銷毀”等。

(4) 應(yīng)對措施觸發(fā)詞 動物衛(wèi)生事件是否采取應(yīng)對措施對該事件的危及程度有重要的影響，而且采取怎樣的應(yīng)對措施可以在后續(xù)事件處理起到借鑒作用。但是，只有少部分新聞會具體描述動物衛(wèi)生事件的應(yīng)對措施，而大部分新聞通常是大而空的描述采取應(yīng)對措施，例如：“疫情發(fā)生后，當(dāng)?shù)匕凑沼嘘P(guān)預(yù)案和防治技術(shù)規(guī)范要求，堅持依法防控、科學(xué)防控，切實做好疫情處置工作”。大而范的應(yīng)對措施對后續(xù)事件處理的借鑒意義不大，因此本文從控制傳染源、切斷傳播途徑、保護易感群體三個方面抽取具體的應(yīng)對措施。通過對動物衛(wèi)生事件常用的應(yīng)對措施進行總結(jié)和對已有的新聞報道進行分析得到應(yīng)對措施專用詞語，如：“撲殺”、“宰殺”、“滅殺”、“消毒”、“隔離”、“無害化處理”等，將應(yīng)對措施專用詞作為該類的觸發(fā)詞使用。在撲殺動物數(shù)量觸發(fā)詞中有部分與應(yīng)對措施觸發(fā)詞相同，將這部分詞語以共用觸發(fā)詞進行標(biāo)注。

根據(jù)信息抽取流程在觸發(fā)詞表構(gòu)建之后需進行待抽取文本的預(yù)處理。本文將動物疫病詞典和觸發(fā)詞表中的詞語加入到ICTCLAS分詞工具進行文本的分詞和詞性標(biāo)注，自定義詞性標(biāo)注見表1。

表1 自定義詞性標(biāo)注

2.3 抽取規(guī)則表示

為了得知各待抽取項在本文的位置和觸發(fā)詞的觸動方向，本文選取了300條動物衛(wèi)生事件新聞進行待抽取項在文本語料的位置和觸發(fā)詞前后的位置進行統(tǒng)計分析。地點和應(yīng)對措施待抽取屬性項是通過觸發(fā)詞詞性標(biāo)注進行抽取的，所以只對時間、疫病名稱和動物數(shù)量三個待抽取屬性項的文本位置和觸發(fā)詞位置進行統(tǒng)計分析。統(tǒng)計結(jié)果如表2所示。

表2 抽取位置及方向統(tǒng)計分析結(jié)果

續(xù)表2

由表2中的待抽取屬性項文本位置的統(tǒng)計結(jié)果可以看出，地點和疫病名稱待抽取項可以直接從新聞標(biāo)題中獲得。因此，本文將新聞標(biāo)題作為首句文本加入到正文中進行信息抽取。對觸發(fā)詞位置的統(tǒng)計結(jié)果可知，時間待抽取屬性項為前向觸發(fā)，疫病名稱和動物數(shù)量待抽取屬性項觸發(fā)詞為雙向觸發(fā)，根據(jù)位置前后概率可以確定其先行觸發(fā)方向。

觸發(fā)詞主要是用來識別待抽取項的大概位置，可以通過使用正則表達式來匹配該屬性項。根據(jù)對動物衛(wèi)生事件新聞本文特征的分析，各待抽取屬性項的抽取規(guī)則具體如下：

(1) 時間 根據(jù)對新聞文本特征的分析發(fā)現(xiàn)，時間屬性項通常出現(xiàn)在正文首句，所以，對待抽取文本的第二句使用規(guī)則Regex1根據(jù)觸發(fā)詞向前查找標(biāo)注為/t的詞。

Regex1：([0-9u4e00-u9fa5]*/t)+(?=((?!/t).)*/date)

(2) 地點 根據(jù)表2看出地點待抽取屬性項可以直接從新聞標(biāo)題中獲得，因此在第一句文本中使用規(guī)則Regex2查找標(biāo)注為/ns或/nsf的詞。

Regex2:([0-9u4e00-u9fa5]+/ns[a-z]*)+

(3) 疫病名稱 疫病名稱屬性項將從新聞標(biāo)題和正文首句中進行抽取。首先使用規(guī)則Regex3根據(jù)觸發(fā)詞向后查找標(biāo)注為/disease的詞，如果沒有找到則使用規(guī)則Regex4據(jù)觸發(fā)詞向前查找標(biāo)注為/disease的詞，如果不存在觸發(fā)詞則使用規(guī)則Regex5查找標(biāo)注為/disease的詞。具體規(guī)則見表3。

表3 疫病名稱屬性項抽取規(guī)則

(4) 動物數(shù)量 對于染疫(疑似染疫)動物數(shù)量，首先使用Regex6根據(jù)觸發(fā)詞向前查找與量詞(標(biāo)注為/q)相連標(biāo)注為/m的詞。如果沒有找到則使用規(guī)則Regex7向后查找與量詞(標(biāo)注為/q)相連標(biāo)注為/m的詞。死亡動物數(shù)量和撲殺動物數(shù)量的抽取方式與染疫(疑似染疫)動物數(shù)量相同。具體規(guī)則見表4。

(5) 應(yīng)對措施 從第一句文本開始，使用規(guī)則Regex12查找標(biāo)注為/measure或/q_m的詞語。

Regex12:[u4e00-u9fa5]+(?=/measure|/q_m)

2.4 實驗結(jié)果分析

本文從新華網(wǎng)、環(huán)球網(wǎng)、中國新聞網(wǎng)等網(wǎng)站抓取了2017年1月至2017年6月期間共計800條動物衛(wèi)生事件新聞數(shù)據(jù)。經(jīng)過分詞、分句、詞性標(biāo)注等文本預(yù)處理之后進行抽取實驗。實驗結(jié)果使用準(zhǔn)確率(P)、召回率(R)及F1值進行測評，得到的測評結(jié)果如表5所示。

表5 動物衛(wèi)生事件輿情信息抽取實驗結(jié)果

從表5中可以看出：

(1) 時間屬性項抽取的召回率和準(zhǔn)確率最高，這是因為不同新聞網(wǎng)站對對新聞報道時間的表達方式高度統(tǒng)一。

(2) 地點作為新聞六大要素之一，而且動物衛(wèi)生事件新聞的標(biāo)題都會對地點進行描述。本文地點屬性項的抽取僅依靠詞性標(biāo)注進行，導(dǎo)致地點抽取結(jié)果對ICTCLAS分詞工具地名識別的準(zhǔn)確度存在較大的依賴。例如：新聞中出現(xiàn)的國家名稱簡寫“澳”和地名“圣海倫娜”ICTCLAS不能正確進行標(biāo)注，還有少數(shù)國內(nèi)的市、區(qū)、縣和國外的州不能準(zhǔn)確的標(biāo)注，導(dǎo)致準(zhǔn)確率低。如果將地點粒度變粗(國內(nèi)精確到省，國外精確到國家)，地點屬性項的準(zhǔn)確率可以達到92.4%，召回率達到87.7%。

(3) 疫病名稱也是動物衛(wèi)生事件新聞一定會描述的內(nèi)容，其準(zhǔn)確率達到97.4%，召回率達到94.9%。疫病名稱屬性項根據(jù)觸發(fā)詞對本文提供的動物疫病詞典中的疫病名稱進行抽取，由此可知，疫病名稱的準(zhǔn)確率和召回率與動物疫病詞典中的疫病名稱完備性有較大關(guān)聯(lián)。后續(xù)研究中可以加入動物疫病知識本體以提高抽取效果。

(4) 根據(jù)本文動物數(shù)量的三類抽取規(guī)則對屬性項進行抽取，抽取結(jié)果較其他屬性項的效果差距較大。三種動物數(shù)量抽取結(jié)果的準(zhǔn)確率和召回率普遍偏低，主要存在以下幾種錯誤情況：

① 在抽取過程中，本文抽取實驗中默認(rèn)返回抽取到的第一個匹配項。有些新聞會在標(biāo)題或者正文前部分先描寫一個粗略的動物數(shù)量，再在下文中描寫詳細(xì)數(shù)據(jù)，還有部分新聞會在一個報道中對兩個動物衛(wèi)生事件進行描述。所以，在包含多個動物數(shù)量值的情況下根據(jù)抽取機制不能獲取到準(zhǔn)確結(jié)果。

② 本文制定的動物數(shù)量抽取規(guī)則是根據(jù)觸發(fā)詞和量詞詞性標(biāo)注來定位抽取項，并未對具體量詞進行定義，造成了大量錯誤。

③ 本文設(shè)定在死亡和撲殺動物數(shù)量觸發(fā)詞在抽取中有不錯的適用性，但在對染疫動物數(shù)量抽取時新聞文本中出現(xiàn)了多種側(cè)面描述方式，如：“表現(xiàn)出……癥狀”、“檢測呈陽性”、“檢測出……病毒”等，抽取觸發(fā)詞的不完善導(dǎo)致染疫動物數(shù)量抽取的效果差。

由以上分析可知，動物數(shù)量的抽取規(guī)則存在很多漏洞，需對其進行改進以改善其準(zhǔn)確率和召回率。

(5) 動物衛(wèi)生事件新聞對應(yīng)對措施的描述方式差異大，而且大部分新聞對動物衛(wèi)生事件應(yīng)對措施的描述比較空泛。本文選取了應(yīng)對動物衛(wèi)生事件常用的具體措施作為觸發(fā)詞直接根據(jù)詞性進行抽取。根據(jù)詞性直接從文本中進行抽取可以做到抽取的高召回率，但是對其準(zhǔn)確率的高低有影響。例如：文本“馬拉維已經(jīng)采取隔離檢疫措施，尚未對受影響的動物接種疫苗”，根據(jù)抽取規(guī)則會將“隔離”、“接種疫苗”抽取出來，但是接種疫苗是尚未執(zhí)行的措施不應(yīng)該抽取出來。還有部分新聞在描述完當(dāng)前時間會對過去事件進行描述，而根據(jù)抽取規(guī)則會將去年事件的應(yīng)對措施抽取出來。后續(xù)研究需要對應(yīng)對措施的抽取內(nèi)容和抽取方式進行更詳細(xì)的探討。

3 動物數(shù)量屬性項抽取的改進

3.1 基于節(jié)點關(guān)系比較的抽取方法

根據(jù)2.4節(jié)中對動物數(shù)量屬性項抽取結(jié)果的分析可知，量詞定義和染疫動物數(shù)量觸發(fā)詞不準(zhǔn)確的問題可以通過表6中的抽取規(guī)則解決。但是，抽取效果差的核心問題在于抽取實驗?zāi)J(rèn)返回第一個匹配結(jié)果。如果抽取實驗不再默認(rèn)返回第一個匹配結(jié)果，而是返回新聞文本中根據(jù)規(guī)則可以匹配到的結(jié)果，那么如何判斷和處理所有返回結(jié)果的關(guān)系就成為了改善動物數(shù)量屬性項抽取的關(guān)鍵。

表6 修改及新增的抽取規(guī)則

本文提出基于節(jié)點關(guān)系比較的方法對動物數(shù)量屬性項的抽取效果進行改進。將動物數(shù)量抽取所返回的結(jié)果記錄在動物數(shù)量節(jié)點中，并為動物數(shù)量節(jié)點設(shè)置屬性，通過各動物數(shù)量節(jié)點的屬性值來判斷節(jié)點之間的關(guān)系。動物數(shù)量節(jié)點包含的屬性有：時間、地點、疫病、動物種類、結(jié)果精度。其中：時間表示該動物數(shù)量的動物染疫、死亡或被撲殺的時間；地點表示該動物數(shù)量所對應(yīng)動物衛(wèi)生事件發(fā)生的地點；疫病名稱表示該動物數(shù)量的動物染疫、死亡或被撲殺的病因；動物種類表示該動物數(shù)量所對應(yīng)的動物種類；結(jié)果精度表示抽取結(jié)果是精確值還是模糊值，用T和F表示。依據(jù)對動物數(shù)量屬性項所在文本的位置分析，使用抽取規(guī)則從動物數(shù)量節(jié)點值前方文本中匹配獲取動物數(shù)量節(jié)點的時間、地點和疫病屬性值，選取距離動物數(shù)量節(jié)點值最近的名詞作為動物數(shù)量節(jié)點的動物種類屬性值，而結(jié)果精度屬性值則通過判斷動物數(shù)量節(jié)點值是否包含“多”、“余”等詞語來確定。

為了簡化判斷各動物數(shù)量節(jié)點間的關(guān)系，本文設(shè)置一個參考節(jié)點。參考節(jié)點是用來表示該新聞報道的動物衛(wèi)生事件的相關(guān)信息。參考節(jié)點本身沒有值，其包含時間、地點、疫病三個屬性。因為參考節(jié)點作為篩選動物數(shù)量節(jié)點的基礎(chǔ)參照，所以參考節(jié)點的屬性值為新聞描述的動物衛(wèi)生事件的最粗粒度數(shù)據(jù)值。即選取新聞報道的時間作為參考節(jié)點的時間，地點則選取動物衛(wèi)生事件發(fā)生的國家或省份，不細(xì)化到州或區(qū)縣，疫病即引發(fā)動物衛(wèi)生事件的疫病。

動物數(shù)量屬性項的值需要經(jīng)過參考節(jié)點與動物數(shù)量節(jié)點和動物數(shù)量節(jié)點間的兩次關(guān)系判斷才能最終確定。參考節(jié)點與動物數(shù)量節(jié)點之間的關(guān)系分為相關(guān)關(guān)系和無關(guān)關(guān)系兩種;動物數(shù)量節(jié)點之間的關(guān)系包括：相等關(guān)系、包含關(guān)系和并列關(guān)系。動物數(shù)量屬性項值確定流程如下：

輸入：參考節(jié)點，動物數(shù)量節(jié)點集合。

輸出：動物數(shù)量屬性項值。

Step1進行參考節(jié)點與動物數(shù)量節(jié)點集合中每個節(jié)點的關(guān)系判斷，與參考節(jié)點呈相關(guān)關(guān)系的動物數(shù)量節(jié)點進入Step2，刪除與參考節(jié)點呈無關(guān)關(guān)系的動物數(shù)量節(jié)點；

Step2如果僅有一個動物數(shù)量節(jié)點則以該節(jié)點值作為動物數(shù)量屬性項的值，進入Step5，如果存在多個動物數(shù)量節(jié)點則判斷各動物數(shù)量節(jié)點間的關(guān)系，進入Step3；

Step3將動物數(shù)量節(jié)點以樹形結(jié)構(gòu)排列，進入Step4；

Step4選擇樹形結(jié)構(gòu)頂層的節(jié)點，根據(jù)節(jié)點值及其精度判斷最終結(jié)果，進入Step5；

Step5輸出動物數(shù)量屬性項值。

3.2 節(jié)點關(guān)系判斷

參考節(jié)點與動物數(shù)量節(jié)點之間的關(guān)系分為相關(guān)關(guān)系和無關(guān)關(guān)系。相關(guān)關(guān)系是指動物數(shù)量節(jié)點值所描述的是當(dāng)前新聞報道的動物衛(wèi)生事件中涉及的動物數(shù)量；無關(guān)關(guān)系是指動物數(shù)量節(jié)點值描述的不是當(dāng)前新聞報道的動物衛(wèi)生事件，一般為過往類似動物衛(wèi)生事件中涉及的動物數(shù)量。

設(shè)參考節(jié)點R{t1,add1,disease1}，動物數(shù)量節(jié)點N{t2,add2,disease2,animal}，R和N的關(guān)系判斷方法為：

判定規(guī)則1若R和N滿足t2∈[t1-1month,t1]、add2?add1、disease2=disease1，那么R和N兩個節(jié)點為相關(guān)關(guān)系，否則為無關(guān)關(guān)系。

在判斷完參考節(jié)點與動物數(shù)量節(jié)點之間的關(guān)系后，與參考節(jié)點呈相關(guān)關(guān)系的動物數(shù)量節(jié)點進行動物數(shù)量節(jié)點間的關(guān)系判斷。動物數(shù)量節(jié)點之間的關(guān)系分為相等關(guān)系、包含關(guān)系和并列關(guān)系。由于進行動物數(shù)量節(jié)點間關(guān)系判斷的節(jié)點都是與參考節(jié)點呈相關(guān)關(guān)系的節(jié)點，各動物數(shù)量節(jié)點疫病屬性值是一致的，所以將從時間、地點、動物種類屬性值對動物數(shù)量節(jié)點關(guān)系進行判斷。相等關(guān)系表示兩個節(jié)點描述的為動物衛(wèi)生事件中的同一個數(shù)量值；包含關(guān)系表示兩個動物數(shù)量節(jié)點值在時序或地點或動物種類上存在包含關(guān)系；并列關(guān)系表示兩個動物數(shù)量節(jié)點值是對動物衛(wèi)生事件在地點或動物種類上的細(xì)化描述。

設(shè)動物數(shù)量節(jié)點N1{t1,add1,disease1,animal1}，N2{t2,add2,disease2,animal2}，N1和N2間的關(guān)系判斷方法如下：

判定規(guī)則2若N1和N2滿足t1=t2、add1=add2、animal1=animal2，那么N1和N2為相等關(guān)系。

判定規(guī)則3若N1和N2滿足t1≤t2、add1?add2、animal1?animal2，那么N2包含N1。

判定規(guī)則4若N1和N2滿足add1≠add2或animal1≠animal2，那么N1和N2為并列關(guān)系。

在各動物數(shù)量節(jié)點關(guān)系判斷之后，根據(jù)節(jié)點樹形結(jié)構(gòu)中頂層節(jié)點的個數(shù)和各節(jié)點的結(jié)果精度確定動物數(shù)量屬性項的值，判定方法如下：

判定規(guī)則5如果頂層節(jié)點只有一個，則以該節(jié)點的值作為動物數(shù)量屬性項的值。

判定規(guī)則6如果頂層節(jié)點有多個且這些節(jié)點呈相等關(guān)系，則選擇結(jié)果精度屬性為“T”的節(jié)點值作為動物數(shù)量屬性項的值。

判定規(guī)則7如果頂層節(jié)點有多個且這些節(jié)點呈并列關(guān)系，則以這些節(jié)點值的和作為動物數(shù)量屬性項的值。

3.3 基于節(jié)點關(guān)系比較方法抽取實驗

使用表6中完善后的抽取規(guī)則和基于節(jié)點關(guān)系比較方法在2.4節(jié)的實驗數(shù)據(jù)上重新進行動物數(shù)量屬性項的抽取實驗?；?.4節(jié)中實驗結(jié)果分析可知，動物數(shù)量節(jié)點屬性值的抽取效果對分詞工具、動物疫病詞典和語法分析工具有較大依賴性，這可能會導(dǎo)致基于節(jié)點關(guān)系比較的動物數(shù)量抽取方法結(jié)果較之前的規(guī)則抽取結(jié)果更差。本文在此不再對節(jié)點屬性值的抽取進行深入研究，所以為了減小節(jié)點屬性值抽取結(jié)果對節(jié)點關(guān)系比較的影響，在自動抽取得到的參考節(jié)點和動物數(shù)量節(jié)點屬性值進行人工審核。審核之后再進行節(jié)點關(guān)系判斷，最終輸出動物數(shù)量屬性項的值。實驗結(jié)果使用準(zhǔn)確率(P)、召回率(R)及F1值進行測評。得到的測評結(jié)果如表7所示，與2.4節(jié)動物數(shù)量屬性項抽取(改進前)結(jié)果對比如圖2和圖3所示。

表7 動物數(shù)量屬性項抽取實驗結(jié)果

圖2 準(zhǔn)確率對比圖

圖3 召回率對比圖

根據(jù)表7、圖2、圖3可以看出，基于節(jié)點比較的抽取方法提升了三種動物數(shù)量屬性項的抽取效果。實驗?zāi)苋〉幂^好的抽取效果有以下幾個原因：

(1) 基于節(jié)點關(guān)系比較的抽取方法的抽取效果依賴于動物數(shù)量節(jié)點值的抽取效果。如果進入節(jié)點關(guān)系比較的動物數(shù)量節(jié)點是錯誤的，那么對節(jié)點間的關(guān)系比較會帶來影響。表6對抽取規(guī)則進行補充并對抽取規(guī)則中的具體量詞“只”、“頭”、“例”進行定義，減少了因標(biāo)注“/q”定位而獲取的錯誤抽取結(jié)果個數(shù)，從而提高了動物數(shù)量節(jié)點值的抽取效果。

(2) 之前的抽取方法只能返回第一個抽取結(jié)果，無法判斷新聞中多個動物數(shù)量值的關(guān)系。而動物數(shù)量節(jié)點和參考節(jié)點的關(guān)系比較排除了過往事件中的動物數(shù)量值，動物數(shù)量節(jié)點的關(guān)系比較可以很好地處理新聞中多個動物數(shù)量值的關(guān)系，提高了抽取結(jié)果的準(zhǔn)確率和召回率。

4 結(jié) 語

本文總結(jié)了各待抽取屬性項文本描述和分布規(guī)律，并使用正則表達式構(gòu)建抽取規(guī)則實現(xiàn)了動物衛(wèi)生事件輿情信息的抽取。本文還提出基于節(jié)點關(guān)系比較的方法對動物數(shù)量屬性項的抽取進行改進。兩次抽取實驗可以證明本文提出的方法是可行的，且準(zhǔn)確率較高。但是本文未對動物數(shù)量節(jié)點屬性值的抽取方法進行改進，動物數(shù)量節(jié)點屬性值抽取的錯誤結(jié)果影響了節(jié)點間關(guān)系的判斷。下一步將對動物數(shù)量節(jié)點屬性值的抽取方法進行研究，實現(xiàn)準(zhǔn)確高效的自動抽取，減少人工工作量。