[发明专利]一种基于篇章信息的中文水果品种信息抽取方法及装置

权利要求书

1.一种基于篇章信息的中文水果品种信息抽取方法，其特征在于，所述方法包括：

步骤S1，获取语料；

步骤S2，标注语料；

步骤S3，对与水果相关的页面进行词项对<上位词、下位词>提取，将词项对分为训练语料和测试语料；对所述语料进行基于篇章结构的远距离特征提取；

步骤S4，利用训练语料特征训练得到基于深度学习的组合分类器，利用组合分类器从测试语料中抽取水果品种信息；

步骤S5，将与水果相关的页面随机分为N组，重复执行步骤S1至S4N次，获得评估结果；

所述步骤S3中对所述语料进行基于篇章结构的远距离特征提取，具体包括：

对词项对提取得到的语料，

若上位词与下位词在同一标题下，且在同一段落中，则选择词项对提取得到的语料的父节点所在句以及词项对提取得到的语料的子节点所在句作为特征信息；

若上位词与下位词在同一标题下，但不在同一段落中，则选择词项对提取得到的语料的父节点所在句、词项对提取得到的语料的子节点所在句、父子节点中间的所有段落的首句和尾句作为特征信息；

若上位词与下位词不在同一标题下，则选择其父节点所在句、其子节点所在句、父子节点中间的所有标题作为特征信息。

2.如权利要求1所述的基于篇章信息的中文水果品种信息抽取方法，其特征在于，所述步骤S1，具体包括：

获取语料，在百度网站中查询水果相关网页，利用网络爬虫爬取下载与水果相关的百度百科页面。

3.如权利要求1所述的基于篇章信息的中文水果品种信息抽取方法，其特征在于，所述步骤S2，具体包括：

对于所述与水果相关的页面，人工标注出每个水果品种名称、所属的水果大类名称的关系，将每个标注信息记录为三元组：水果大类名称、水果品种名称、is-a关系。

4.如权利要求1所述的基于篇章信息的中文水果品种信息抽取方法，其特征在于，所述步骤S3中词项对<上位词、下位词>提取，具体包括：

对所述与水果相关的页面进行基于语言结构的词项对<上位词、下位词>提取；

词项对提取结果随机被分为训练语料和测试语料；

对于所述训练语料，若其包含标注的水果品种名称，则语料为正样本，否则，语料为负样本。

5.如权利要求1所述的基于篇章信息的中文水果品种信息抽取方法，其特征在于，所述步骤S4中利用训练语料特征训练得到基于深度学习的组合分类器，具体包括：

负样本语料数量为正样本语料的M倍；

将所述负样本语料分为M组，每组负样本语料同正样本语料为一个训练子集，得到M个训练子集；

对于每个训练子集通过支持向量机SVM深度分类算法进行学习，得到M个基分类器；

将所述M个基分类器通过集成学习方法得到组合分类器。

6.如权利要求1所述的基于篇章信息的中文水果品种信息抽取方法，其特征在于，所述步骤S4中利用组合分类器从测试语料中抽取水果品种信息，具体包括：

对训练语料中的每个测试实例，一个基分类器分类得到一个标签，M个基分类器得到M个分类标签，按照多数投票制进行投票，投票结果作为该测试实例的最终分类标签，最终分类标签为1的测试实例为is-a关系，最终分类标签为0的测试实例为非is-a关系，若票数1:1则标签为0。