摘要: 实体关系抽取是信息抽取的重要任务，该任务的的输入是多结构化的文本数据，包括:结构化的infobox信息框，半结构化的表格，以及非结构化的自由文本。该任务的输出是实体关系，可以表示为三元组（实体1，关系，实体2）的形式。对于结构化和半结构化数... 展开 实体关系抽取是信息抽取的重要任务，该任务的的输入是多结构化的文本数据，包括:结构化的infobox信息框，半结构化的表格，以及非结构化的自由文本。该任务的输出是实体关系，可以表示为三元组（实体1，关系，实体2）的形式。对于结构化和半结构化数据，可以直接解析得到关系三元组，目前实体关系抽取的研究主要是从非结构化文本中抽取出实体关系。比如给定一个句子“姚明出生于上海”，实体关系抽取算法需要从中抽取出实体关系“<姚明，出生地，上海>”。这些抽取出来的三元组集合，可以构建知识库，对问答系统，语义网，机器翻译等都有非常重大的意义。 现在互联网上有海量的中文数据，而且中文互联网用户数量巨大，对中文实体关系抽取的研究有着很好的应用前景。但是当前大部分实体关系的抽取研究都是处理英文数据，基于中文语料的工作很少。和英文相比，中文句子需要分词，中文语言也没有时态，字母大小写等特征，所以基于中文的实体关系抽取的研究更难，更有挑战性。本文针对中文实体关系抽取的方法进行了探索和研究，主要的创新和研究成果有: 1.构建了一个中文语义知识库。爬取百度百科和互动百科的网页数据，抽取其中结构化部分，转化为关系三元组<实体1，关系词，实体2>的形式存储起来，构建中文语义知识库。当给定的待抽取关系词在知识库中的频数大于某阈值，则认为该关系词为高频关系词，否则认为该关系词为低频关系词。 2.对于高频关系词的抽取，转换为序列标注问题。高频关系词在知识库中对应丰富的关系三元组集合，这些三元组数据可以采用打分策略在文本中回标候选句子，自动构建训练语料。采用关键词匹配策略在待抽取词条页面中定位到需要抽取的句子，训练条件随机场模型标注待抽取部分，然后根据标注的结果提取关系三元组。实验对比选择候选句子的不同策略，然后从准确率和召回率的侧重点给出不同的建议。 3.应用领域知识和规则进行低频关系词的实体关系抽取，该方法有效避免了低频关系词无法自动标注训练语料的问题。确定待抽取关系词前后实体的类别，扩充表达该关系的关键词库，借助实体类别词库数据，根据实体对和关键词在文本中共现的策略，抽取相应的关系三元组。另外，采用关联分析的方法学习规则，可以挖掘出非常丰富的关系词模板。 4.利用word2vec训练词向量进行中文实体关系的判断和抽取。利用google开源工具包word2vec，结合百度百科的文本数据，学习得到词向量，通过实验评估词向量的效果。根据词向量，学习得到待抽取关系词对应的关系矩阵，利用关系矩阵训练分类器，将实体关系抽取转换为二分类问题，通过分类结果判断实体对中是否存在特定的关系，来获取关系三元组。 收起