[发明专利]一种改进的篇章级三元组信息抽取方法

权利要求书

1.一种改进的篇章级三元组信息抽取方法，其特征在于，包括如下步骤：

步骤1、对文本数据预处理；

步骤2、对文本数据进行篇章级语义分析；

步骤3、采用多轮迭代的方式进行启发式学习，构建事件语义模型；

步骤4、基于端到端样本的三元组抽取。

2.根据权利要求1所述的方法，其特征在于，步骤1包括如下步骤：

步骤1-1、文本数据格式转换；

步骤1-2、利用自然语言处理技术对格式转换后的文本数据进行预处理清洗；

步骤1-3、文本数据章节结构处理：将一篇长文档拆分为文本块；

步骤1-4、文本数据句块分拆，将文本块进一步分拆为标点符号间隔的物理句块。

3.根据权利要求2所述的方法，其特征在于，步骤1-2包括：对格式转换后的文本数据依次执行如下处理：全角与半角的转化、大写数字转化为小写数字、大写字母转化为小写字母、去除表情符号、去除文本中所有的字符并只保留中文、中文文本分词、繁体简体中文转化、中文文本停用词过滤。

4.根据权利要求3所述的方法，其特征在于，步骤1-4包括：

步骤1-4-1、对于文本块中的括号，如果括号中的内容与其左侧相邻成分是语义关系紧密，则将括号中的内容与左侧括号相邻的文本成分合并为一个语义成分，否则将括号不处理；

步骤1-4-2、对于句块中的引号，如果引号体属于一个命名实体的一部分，则将引号体与所述命名实体合并，否则不予处理；

步骤1-4-3、对于句块中的其他符号，如果所述符号是命名实体的一部分，则将句块中的其他符号与相关上下文合并为一个语义实体，否则将句块中的其他符号作为划分物理句块的标志。

5.根据权利要求4所述的方法，其特征在于，步骤2包括如下步骤：

步骤2-1、利用已知的语言学的语法句法知识，对篇章中的连续文本进行语义分析，为每个连续的文本块分别生成由解析树构成的列表；

步骤2-2、结合文本数据的信息结构、担任特定角色的术语的类别、文本数据的类别，将复杂的语义分解为层次语义结构；

步骤2-3、进行实体对齐；

步骤2-4、实体对最近句法依赖动词提取。

6.根据权利要求5所述的方法，其特征在于，步骤2-2中，所述层次语义结构中每个层次包含N个关于事实或概念的语义块，N取值为自然数；按照后序遍历的顺序，优先对嵌套层的语义块执行查询操作，确定嵌套层外延，对嵌套层处理结束后，对其余事实或概念的语义块执行查询操作，确定每个语义块的外延。

7.根据权利要求6所述的方法，其特征在于，步骤2-3包括：

根据实体名称判断事先建立的实体库中是否有同名实体，如果没有，则生成新实体对，添加到实体库中，否则获取到所有同名的实体对，计算目标实体对与获取到各个实体对之间的相似度，根据类别标签、属性标签、非结构化文本关键词分别相似度，对计算得到的结果综合打分候选排序，如果得分小于阈值，则将目标实体添加到实体库中，否则选择得分最高的结果最为目标实体的对齐结果。