摘要: 中文实体集合自动扩展技术的研究已经从传统的限定类别、限定领域的任务发展到开放类别、开放领域的自动抽取。科研领域和应用领域的需求,给实体集合扩展提出了更多的要求。目前主流的方法都是模版法,由于种子存在一词多义和语义模糊的特性,而模版法仅... 展开 中文实体集合自动扩展技术的研究已经从传统的限定类别、限定领域的任务发展到开放类别、开放领域的自动抽取。科研领域和应用领域的需求,给实体集合扩展提出了更多的要求。目前主流的方法都是模版法,由于种子存在一词多义和语义模糊的特性,而模版法仅仅使用上下文信息会导致结果含有大量的噪音。最重要的是,模板仅仅是使用了种子的环境特征,而没有加入语义特征。因此,急需研究一种高效、低复杂度且融合语义信息的实体集合扩展法,以便能够快速、准确地从大语料中获得更多该语义类的实体,从而满足科研领域和应用领域的需求。本文的研究工作如下: 在模版的基础上,使用了直角坐标系、四边形面积与语境相似度,对候选集合进行过滤,期望得到高质量的数据。通过实验证明,算法的复杂度较低,算法比较有效。 由于传统方法没有加入语义信息,因此,不能完整刻画种子的全部特性。本文使用百度百科的词条标签作为种子的语义特征,并结合相似度过滤候选集合,希望可以得到高质量的候选集合。通过实验证明,算法复杂度偏低,数据的准确率、召回率、F值都较高。 最后,本文总结现有的研究工作,并指出日后的研究方向。 收起