[发明专利]基于信息单元融合的新闻原子事件抽取方法

摘要

本发明涉及一种基于信息单元融合的新闻原子事件抽取方法。其技术方案是：先对新闻正文进行除杂处理，利用自然语言处理软件对新闻标题和除杂处理后的新闻正文进行中文分词、词性标注和命名实体识别处理；再过滤掉词性标注结果中的意向动词、致使动词、言说动词和趋向动词；利用初步融合规则库和信息单元融合规则库对动词过滤后的词性标注结果和命名实体识别结果进行融合；然后利用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。本发明利用信息单元融合的方法能快速地处理新闻语料，对文本长度没有严格限制，能够将新闻正文中的全部原子事件抽取出来，不受事件类型的约束，具有执行效率高和普遍适用性的特点。

主权项

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。