劉媛媛

摘要：本文介紹了實(shí)體一屬性抽取的相關(guān)概念，分析了規(guī)則抽取的方法，模式匹配的抽取方法，基于關(guān)系分類的抽取方法和基于聚類的抽取方法，最后對(duì)幾種抽取方法進(jìn)行了比較，為后續(xù)數(shù)據(jù)結(jié)構(gòu)化的研究奠定基礎(chǔ)。

關(guān)鍵詞：屬性抽取;模式匹配;機(jī)器學(xué)習(xí)

中圖分類號(hào)：TP311 文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：1009-3044（2019）33-0234-01

1信息抽取簡(jiǎn)介

隨著云計(jì)算、大數(shù)據(jù)、移動(dòng)互聯(lián)網(wǎng)等信息技術(shù)的飛速發(fā)展，互聯(lián)網(wǎng)上保存了海量的數(shù)據(jù)。信息抽取就是對(duì)海量的，非結(jié)構(gòu)化或半結(jié)構(gòu)化的數(shù)據(jù)進(jìn)行處理，從而根據(jù)一定的目的結(jié)構(gòu)化的抽取出相關(guān)的實(shí)體和屬性。所謂實(shí)體也就是事物或者對(duì)象，屬性就是事物或者對(duì)象的特征或者特性。通過實(shí)體一屬性抽取從網(wǎng)絡(luò)中海量的非結(jié)構(gòu)化信息中獲得事物對(duì)象及其特征，從而利用和理解這些非結(jié)構(gòu)化信息。目前實(shí)體一屬性抽取已經(jīng)成為理論研究者和產(chǎn)業(yè)實(shí)踐者關(guān)注的熱點(diǎn)領(lǐng)域。

2基于規(guī)則匹配的實(shí)體一屬性抽取方法

基于模式匹配的抽取方法也叫基于規(guī)則的抽取方法，顧名思義就是基于事先構(gòu)造一系列規(guī)則來抽取文本中實(shí)體一屬性的方法。這種方法首先定義相關(guān)抽取規(guī)則，如，在網(wǎng)頁中定義相關(guān)的規(guī)范的tag標(biāo)記，或人工編寫正則表達(dá)式，然后將這些規(guī)則與文本進(jìn)行匹配，通過匹配的結(jié)果得到抽取的實(shí)體及其屬性?；谝?guī)則的抽取方法接近于人的思維方式，其對(duì)知識(shí)的表示方法看起來相對(duì)直觀?；谝?guī)則的抽取系統(tǒng)一般由兩部分組成，一個(gè)是一系列關(guān)于抽取規(guī)則的集合，第二是一系列定義匹配策略的集合。基于規(guī)則的抽取系統(tǒng)運(yùn)行速度比較快，維護(hù)和優(yōu)化相對(duì)比較容易。

3基于模式匹配的實(shí)體一屬性抽取方法

基于模式匹配的方法根據(jù)其定義模式的方法可以分成三種：基于手工定義的抽取、基于有監(jiān)督學(xué)習(xí)的抽取和基于迭代的抽取?；谑止ざx方式就是具有通過相關(guān)領(lǐng)域?qū)I(yè)知識(shí)的人員進(jìn)行人工的定義一系列模式。基于學(xué)習(xí)的方式就是，首先收集相關(guān)語料組成大規(guī)模的語料庫(kù)，然后通過人工標(biāo)準(zhǔn)的非結(jié)構(gòu)化例子訓(xùn)練自動(dòng)獲得模式，構(gòu)建具有大量實(shí)體一屬性的知識(shí)庫(kù)?；诘姆椒ㄊ鞘紫榷x模板元組，讓后對(duì)這些模板元組進(jìn)行迭代，自動(dòng)產(chǎn)生模式，從而進(jìn)行對(duì)實(shí)體一屬性的抽取。

4基于關(guān)系分類的實(shí)體一屬性抽取方法

基于關(guān)系分類的方法就是將屬性抽取問題轉(zhuǎn)化成關(guān)系分類問題。首先將抽取的兩個(gè)實(shí)體視為一個(gè)樣本，實(shí)體直接的關(guān)系視為標(biāo)簽，然后通過手工的方式構(gòu)建樣本特征，最后依據(jù)這些特征對(duì)樣本進(jìn)行分類，分類的結(jié)果便是實(shí)體之間的關(guān)系，也就是屬性?；陉P(guān)系的抽取方法通常借助機(jī)器學(xué)習(xí)的方法來進(jìn)行，如支持向量機(jī)（SVM）、神經(jīng)網(wǎng)絡(luò)等，通過對(duì)大量語料庫(kù)的訓(xùn)練來學(xué)習(xí)分類模型，從而對(duì)實(shí)體一屬性進(jìn)行抽取。基于關(guān)系分類的方法按照其語料庫(kù)的建設(shè)方式可以分為遠(yuǎn)程監(jiān)督的方法和全監(jiān)督的方法?；谶h(yuǎn)程監(jiān)督的方法基本由機(jī)器構(gòu)建語料庫(kù)，而基于全監(jiān)督的方法則由人工構(gòu)建語料庫(kù)。由于由人工來構(gòu)建語料庫(kù)耗費(fèi)大量的時(shí)間和精力，因此通常目前更熱衷于使用遠(yuǎn)程監(jiān)督的方法構(gòu)建語料庫(kù)。

5基于聚類的實(shí)體一屬性抽取方法

基于聚類的方法就是將屬性抽取問題轉(zhuǎn)化成聚類問題。首先構(gòu)建實(shí)體特性向量，然后基于相關(guān)方法對(duì)這些特征特征向量進(jìn)行聚類，最后得到的聚類就是實(shí)體的屬性。例如對(duì)于類別屬性可以采用弱監(jiān)督的聚類方法，對(duì)應(yīng)產(chǎn)品屬性可以采用無監(jiān)督的聚類方法等。不過聚類的方法需要首先構(gòu)建聚類的中心點(diǎn)，所以用來構(gòu)建初始化中心點(diǎn)的種子實(shí)體一屬性的選擇好壞直接影響到抽取的結(jié)果。

6各個(gè)方法的比較

從當(dāng)前的應(yīng)用廣泛程度來看，基于規(guī)則的方法是早期使用的方式，由于其理解簡(jiǎn)單，易于操作，準(zhǔn)確率高，一直到現(xiàn)在都比較流行。但是這種方法需要專業(yè)的人員來定義規(guī)則，隨著技術(shù)的發(fā)展慢慢正被其他方法取代。基于模式匹配的抽取方法和基于關(guān)系分類的抽取方法是當(dāng)前應(yīng)用比較廣泛的方法?；谀Ｊ狡ヅ涞姆椒梢钥醋骰谝?guī)則的升級(jí)方法，既可以人工構(gòu)建模式，也可以借助機(jī)器構(gòu)建模式，所以既擁有準(zhǔn)確率高的有點(diǎn)，也在一定程度上克服了召回率低的缺點(diǎn)。基于關(guān)系分類和聚類的方法不需要專業(yè)人員或太多的背景知識(shí)，但是需要構(gòu)建用來訓(xùn)練的語料庫(kù)支持，在大數(shù)據(jù)時(shí)代，這種方式能充分利用數(shù)據(jù)，減少人工，保證準(zhǔn)確率和召回率，是未來實(shí)體一屬性抽取的發(fā)展方向。

【通聯(lián)編輯：梁書】