[发明专利]一种事件陈述句素材库的生成方法

权利要求书

1.一种事件陈述句素材库的生成方法，其特征在于包括如下的步骤：

(1)对于一篇文章，首先从左至右扫描，当扫描到的字符为表示长句结束的标点符号时，则将前面的内容记录为一个长句，从而将一篇文章转换为多个长句的集合；

(2)针对转换后的长句的集合，结合文章的发表时间，进行时间点识别抽取处理；

(3)在进行时间点识别抽取处理后，对于不存在时间点表达的长句放弃后续处理，对于存在时间点表达的长句进行后续处理；

(4)对于存在时间点表达的长句，进行事件描述动词的抽取，如果不存在事件描述动词，则放弃后续处理；

(5)对于上述步骤获得的长句，进行人名、地名、机构名、产品名的命名实体识别与抽取，如果这几种命名实体均不存在，则放弃后续处理；

(6)根据长句进行分词与命名实体识别处理后的词序列结果，进行浅层句法分析，分析出主语、谓语、宾语，确定事件发生的主客体；

(7)针对上述步骤确认的事件陈述句，结合步骤(2)、步骤(5)的命名实体抽取结果，对包括事件发生时间、发生地点、事件类型在内的要素信息进行抽取标引，获得结构化结果；

(8)将事件陈述句的原始片段和结构化结果抽取出来存入数据库中，从而生成事件陈述句素材库。

2.如权利要求1所述的事件陈述句素材库的生成方法，其特征在于：

所述步骤(1)中，所述表示长句结束的标点符号为全角句号、全角问号、全角叹号、全角省略号、半角问号和半角叹号中的任意一种。

3.如权利要求1所述的事件陈述句素材库的生成方法，其特征在于：

所述步骤(2)中，所述时间点识别抽取处理是以人工收集的时间点表达基本用字与用词作为识别的触发条件，先对文本进行分词处理；然后对候选的时间点表达词颗粒序列，根据人工统计得到的时间表达模式进行确认判别，并验证时间表达的合法性。

4.如权利要求3所述的事件陈述句素材库的生成方法，其特征在于：

对于确认为时间点的表达，依据其内部的数词和量词，以输入的文本发布时间为基准时间参考点，将表达式归一化为公元纪元方式。

5.如权利要求1所述的事件陈述句素材库的生成方法，其特征在于：

所述步骤(4)中，抽取事件描述动词的步骤为：对于长句进行分词处理，考察分词结果的词性；对动词结果则到人工筛选的事件描述动词中进行查询，如果查询结果为存在则将其标记抽取出来。

6.如权利要求1所述的事件陈述句素材库的生成方法，其特征在于：

所述步骤(5)中，以人工收集的各类命名实体后缀词和常用构成词作为识别触发条件，然后根据隐马尔科夫模型或者最大熵模型与规则结合进行识别人名、地名、机构名、产品名的计算。

7.如权利要求1所述的事件陈述句素材库的生成方法，其特征在于：

所述步骤(6)之后，对具有下述情况的事件陈述句进行过滤：①事件陈述句的开头处含有资讯报道的电头内容；②事件陈述句为包含直接引语，或为直接引语的一部分；③事件陈述句包含有依据上下文才能确定的指代词语。

8.如权利要求1所述的事件陈述句素材库的生成方法，其特征在于：

所述步骤(7)中，所述结构化结果至少包含三项内容：事件发生时间、事件主客体和事件类型词。

9.如权利要求1所述的事件陈述句素材库的生成方法，其特征在于：

所述步骤(8)中，以数据库方式保存事件陈述句的原始片段和结构化结果，即在数据库中设立七个字段，分别为：事件陈述句的原始片段、发生时间、发生地点、事件类型、涉及人物、涉及机构、涉及产品。

10.如权利要求1所述的事件陈述句素材库的生成方法，其特征在于：

所述步骤(8)中，以文本方式保存事件陈述句的原始片段和结构化结果。