基于半马尔科夫条件随机场的命名体识别及其关系抽取研究

随着互联网和电子化办公的发展，出现了大量的文本资源。信息抽取技术可以帮助人们快速获取大规模文本中的有用信息。命名体识别与关系抽取是信息抽取的两个基本任务。本文在调研当前命名体识别和实体关系抽取中采用的主要方法的基础上，分别给出了解决方案。论文开展的主要工作有：（1）从模型选择和特征选择两个方面总结了命名体识别及实体关系抽取的国内外研究现状，重点介绍用于命名体识别的统计学习方法以及用于实体关系抽取的基于核的方法。（2）针对当前命名体识别中命名体片段边界的确定问题，研究了如何将 Semi-Markov CRFs 模型应用于中文命名体识别。这种模型只要求段间遵循马尔科夫规则，而段内的文本之间则可以被灵活的赋予各种规则。将这种模型用于中文命名体识别任务时，我们可以更有效更自由的设计出各种有利于识别出命名体片段边界的特征。实验表明，加入段相关的特征后，命名体识别的性能提高了 4-5 个百分点。（3）实体关系抽取的任务是判别两个实体之间的语义关系。之前的研究已经表明，待判别关系的两个实体间的语法树结构对于确定二者的关系类别是非常有用的，而相对成熟的基于平面特征的关系抽取方法在充分提取语法树结构特征方面的能力有限，因此，本文研究了基于核的中文实体关系抽取方法。针对中文特点，我们探讨了卷积（Convolution）核中使用不同的语法树对中文实体关系抽取性能的影响，构造了几种基于卷积核的复合核，改进了最短路依赖核。因为核方法开始被用于英文关系抽取时，F1 值也只有40%左右，而我们只使用作用在语法树上的卷积核时，中文关系抽取的F1 值达到了35%，可见核方法对中文关系抽取也是有效的。