[发明专利]一种基于距离监督的领域实体属性关系抽取方法

说明书

本发明涉及一种基于距离监督的领域实体属性关系抽取方法，属于自然语言处理和深度学习技术领域。本发明构建一个中文旅游景点的领域知识库，通过中文百科网站和旅游网站获取大量的旅游领域文本集，使用已经构建好的旅游领域知识库中的实体对来从旅游领域文本集中获取关系实例文本集，采用了主题模型关键词相似度计算和关键词模式匹配来进行去噪。最后使用各个关系下的正例数据和少量负例数据组合成的训练语料，对训练语料的词性特征、依存关系特征和短语句法树特征进行提取，利用这三种特征融合为一个语义信息更加丰富的大特征，进行关系抽取模型训练。实验表明，本文所使用的去噪后训练语料提取的三种特征融合的F值最高，抽取性能最好。

技术领域

本发明涉及一种基于距离监督的领域实体属性关系抽取方法，属于自然语言处理和深度学习技术领域。

背景技术

实体关系抽取作为信息抽取的核心任务和重要环节，能够实现实体对间语义关系的识别，对句子语义理解及实体语义知识库构建有着重要作用。而领域实体关系抽取是对通用领域关系抽取的一个延伸和补充，该任务对特定领域更加细粒度的知识进行扩充，为人类和计算机更好理解自然语言信息提供帮助，特定领域实体关系抽取一方面可以扩建领域知识库，另一方面可以使人们更加了解特定领域的一些细粒度的知识。我们所做的旅游领域关系抽取不仅对领域知识的挖掘具有重要的意义，而且有助于领域知识库的构建和机器翻译等任务。

发明内容

本发明提供了一种基于距离监督的领域实体属性关系抽取方法，以用于解决现有现有实体关系抽取大多运用于通用领域，而且特定领域的实体关系抽取无法直接套用通用领域的问题。

本发明的技术方案是：一种基于距离监督的领域实体属性关系抽取方法，所述方法的具体步骤如下：

Step1、首先构建中文领域知识库，并利用领域知识库中的实体对从旅游领域文本集中获取训练语料；所述Step1的具体步骤如下：

Step1.1、借鉴Freebase知识库的结构特点，构建一个中文旅游景点的领域知识库；

Step1.2、对于不同的网站运用不同的爬虫程序，从旅游网站和百科词条上爬取旅游领域文本信息，组成旅游领域文本集；

Step1.3、使用距离监督(Distant Supervision)的方法构建关系实例集，利用知识库在海量的文本集中找出在知识库中存在某种关系的实体对出现的句子，组成训练语料；

本发明所构建的中文旅游景点领域知识库是对通用知识库的一个补充。通用知识库对于特定领域的知识可能有所涉及，但是大多停留在概念层的知识，对于特定领域更加细粒度的知识没有涉及。本发明所使用的文本集是根据知识库中的相关实例所获取的。

Step2、对Step1中所获得的训练语料进行优化；所述Step2的具体步骤如下：

Step2.1、利用LDA主题模型对关系实例集中的文本进行关键词抽取，通过对文本预处理后，计算主题关键词与实体对在知识库中对应的预测关系的相关性，通过设置阈值来提取正例数据，其余的作为负例数据；

本发明采用LDA主题模型关键词对关系实例集去噪，假设描述实体关系的句子以某个特定的关键词为核心，通过抽取出关键词后，计算关键词与预测关系的相似程度，来对训练语料进行优化。

Step2.2、对于Step2.1中的负例数据中存在的作为正例数据上下位关系实例文本，采用关键词模式匹配来二次获取负例数据中的正例数据，通过关键词定义一个模式来对LDA主题模型关键词去噪后的负例数据进行二次去噪，用于提升正例数据的数量；

本发明是为了丰富训练数据中的正例数据，因为正例数据是影响关系抽取模型的重要因素，对于经过LDA主题模型关键词去噪后的负例数据，使用关键词模式匹配来进一步的优化，提取其中的正例数据。