發(fā)布時間：2017-11-21 10:31

  本文關鍵詞：一種基于半監(jiān)督學習的實體集合擴展方法研究

  更多相關文章： 實體集合擴展 包裝器 語義偏轉 主題模型 標簽傳播

【摘要】：隨著互聯(lián)網的發(fā)展,文檔資源越來越豐富,如何從這些資源中挖掘出有效信息,成為數(shù)據(jù)挖掘的一項重要任務。為了更好的利用互聯(lián)網中蘊含的資源,人們提出將這些無序信息轉換為結構化信息以更方便于人們獲取利用的思想。在這樣的思路下,各大搜索引擎公司(如Google, Baidu等)均提出了知識圖譜的概念,將實體及其信息按照類別及其之間的關系有效組織起來,以方便人們的獲取利用。 本課題主要的研究內容即是知識圖譜研究的基礎內容：從互聯(lián)網的文檔資源中進行實體集合擴展。實體集合擴展是指給定某類別下若干示例作為種子,擴展得到屬于該類別下的更多實體,這在語義搜索、問答系統(tǒng)、知識庫等領域都有極其重要的應用。傳統(tǒng)的實體集合擴展方法主要考慮實體之間的共現(xiàn)關系,根據(jù)它們之間的相似程度進行迭代式的擴展,但會導致語義偏轉問題,準確率較差。本文針對于此,在利用包裝器(Wrapper)挖掘出可能的候選實體詞的基礎上,提出一種先根據(jù)LDA主題模型獲得種子詞集合語義信息,再通過標簽傳播來進行實體集合擴展的方法。 本文的工作主要分為兩部分：候選詞的抽取和實體集合擴展算法。第一部分中主要完成的任務是利用自動構建的包裝器(Wrapper)來抽取與種子詞出現(xiàn)在相似上下文中的實體候選詞。第二部分中主要完成的任務是將候選詞按照文檔結構組織為候選詞列表,考慮詞列表的上下文信息來判斷是否進行擴展。本文的主要研究工作有以下五點： 1.傳統(tǒng)根據(jù)模板進行候選詞挖掘方法人力耗費較大,而直接根據(jù)分詞工具得到候選實體的方式不能有效的發(fā)現(xiàn)新詞,且兩種方法都存在著召回率過低的缺陷。針對于此,本文提出了一種利用種子詞的上下文信息自動學習包裝器的方法,以抽取候選實體詞,且保證一定程度的召回率； 2.候選實體詞中存在著大量重復次數(shù)較低、與種子詞相差較大的詞語,影響了最終步驟的集合擴展的準確性,針對于此本文構建了包含種子詞、包裝器、候選詞三種類型節(jié)點的混合圖模型,且在其中利用隨機游走算法挖掘候選詞的置信度,以對候選詞進行初步的篩選； 3.由于單個的實體詞存在著歧義的問題,故本文在進行實體集合擴展時,將處于同一段落中的候選詞作為詞列表,可以假設該列表中包含的各個詞語所描述主題一致,在擴展過程中將該詞列表作為整體考慮,以避免單個詞可能帶來的歧義問題； 4.傳統(tǒng)的實體集合擴展方法并未考慮擴展詞的語義信息,導致擴展過程中大量不屬于該類別的實體被加入進來。本文利用LDA模型,挖掘實體詞列表的上下文對應主題,豐富實體擴展過程中的語義信息,解決傳統(tǒng)方法的語義偏轉問題。 5.為了綜合考慮種子詞與候選詞之間的共現(xiàn)關系與語義關系,本文構建一個包含種子詞、候選詞、詞列表以及詞列表上下文對應的主題信息這四種節(jié)點的混合圖。由于種子詞數(shù)量較少,利用半監(jiān)督學習中的標簽傳播算法,以詞列表為單位進行實體集合擴展。
【學位授予單位】：華東理工大學
【學位級別】：碩士
【學位授予年份】：2015
【分類號】：TP311.13

【參考文獻】

中國期刊全文數(shù)據(jù)庫 前2條

1 趙軍;;命名實體識別、排歧和跨語言關聯(lián)[J];中文信息學報;2009年02期

2 齊振宇;劉康;趙軍;;一種融合實體語義知識的實體集合擴展方法[J];中文信息學報;2013年02期

，

本文編號：1210632