[发明专利]基于信息单元融合的新闻原子事件抽取方法

权利要求书

1.一种基于信息单元融合的新闻原子事件抽取方法，其特征在于所述方法

的具体步骤是：

步骤一、对新闻语料的新闻正文进行除杂处理：

①、去掉小括号和方括号中的内容，

②、将英文双引号替换为中文双引号，

③、去掉“@”符号，

④、根据新闻正文结尾的记者信息模式和媒体信息模式过滤掉新闻正文结尾与事件抽取无关的信息，

得到除杂处理后的新闻正文；

步骤二、利用Stanford Word Segmenter软件对新闻标题和除杂处理后的新闻正文进行中文分词，得到新闻标题的中文分词结果和新闻正文的中文分词结果；

步骤三、利用Stanford Named Entity Recognizer软件对新闻正文的中文分词结果和新闻标题的中文分词结果进行命名实体识别，得到新闻正文的命名实体识别结果和新闻标题的命名实体识别结果；

步骤四、利用Stanford POS Tagger软件对新闻正文的中文分词结果和新闻标题的中文分词结果进行词性标注，得到新闻正文的词性标注结果和新闻标题的词性标注结果；

步骤五、根据待过滤动词词表对新闻正文的词性标注结果和新闻标题的词性标注结果进行动词过滤，得到动词过滤后的新闻正文的词性标注结果和动词过滤后的新闻标题的词性标注结果；

步骤六、根据初步融合规则库对所述动词过滤后的新闻正文的词性标注结果和所述新闻正文的命名实体识别结果进行初步融合，得到新闻正文的初步融合结果；根据初步融合规则库对所述动词过滤后的新闻标题的词性标注结果和所述新闻标题的命名实体识别结果进行初步融合，得到新闻标题的初步融合结果；

步骤七、根据信息单元融合规则库对新闻正文的初步融合结果和新闻标题

的初步融合结果进行信息单元融合，得到新闻正文的信息单元融合结果和新闻标题的信息单元融合结果；

步骤八、根据核心词表和事件抽取规则库对新闻正文的信息单元融合结果进行原子事件抽取，得到新闻正文的原子事件抽取结果。

2.根据权利要求1所述的基于信息单元融合的新闻原子事件抽取方法，其特征在于所述新闻正文结尾的记者信息模式和媒体信息模式是通过对所收集的新闻正文结尾的记者信息和媒体信息进行模式聚类得出的信息模式。

3.根据权利要求1所述的基于信息单元融合的新闻原子事件抽取方法，其特征在于所述待过滤动词词表是由对选取事件谓词影响较大和在新闻正文中出现频率较高的趋向动词、意向动词、言说动词和致使动词构成的动词词表。

4.根据权利要求1所述的基于信息单元融合的新闻原子事件抽取方法，其特征在于所述初步融合规则库是由命名实体标签的选择规则、书名号所标志成分的识别规则、时间信息单元的识别规则、连续相同标签的合并规则和“PU”标签的省略规则所构成的规则库。

5.根据权利要求1所述的基于信息单元融合的新闻原子事件抽取方法，其特征在于所述信息单元融合规则库是由介词单元融合规则、名词单元融合规则、状语单元融合规则、命名实体单元融合规则和修饰语单元融合规则所构成的规则库。

6.根据权利要求1所述的基于信息单元融合的新闻原子事件抽取方法，其特征在于所述核心词表是通过统计新闻标题的信息单元融合结果所得词表和通过统计新闻正文的信息单元融合结果所得词表的集合；其中：通过统计新闻标题的信息单元融合结果所得词表是通过统计新闻标题的信息单元融合结果中的动词和名词所得词表；通过统计新闻正文的信息单元融合结果所得词表是通过统计新闻正文的信息单元融合结果中的命名实体、被标记为“DEG”标签的“的”字后边的名词、词频大于1次的动词和词频大于1次的名词所得词表。

7.根据权利要求1所述的基于信息单元融合的新闻原子事件抽取方法，其特征在于所述事件抽取规则库是由权值分配规则、新闻正文的信息单元融合结果的句子切分规则、新闻正文的信息单元融合结果的原子句切分规则、 “把”

字句抽取规则、“被”字句抽取规则、一般句抽取规则和时间空间抽取规则构成的规则库。