基于排序集成的自动术语识别方法.pdfVIP

第２９卷第１期　　　 计算机应用与软件 Ｖｏｌ２９Ｎｏ．１ ２０１２年１月　　 ＣｏｍｐｕｔｅｒＡｐｐｌｉｃａｔｉｏｎｓａｎｄＳｏｆｔｗａｒｅ Ｊａｎ．２０１２ 基于排序集成的自动术语识别方法 粟　超 （复旦大学计算机科学技术学院　上海２０１２０３） 摘　要　　自动术语识别是信息抽取和文本挖掘等领域的关键步骤之一。基础自动术语识别算法采用某些方面的特征信息，有明 显的局限性，引入局部Ｋｅｍｅｎｙ最优的方法来处理自动术语识别问题，并提出新的集成方法。实验结果表明该方法显著改善了自动 术语识别的精准度。 关键词　　排序集成　自动术语识别　文本挖掘　信息抽取 中图分类号　ＴＰ３０１　　　　文献标识码　Ａ ＲＡＮＫＡＧＧＲＥＧＡＴＩＯＮＢＡＳＥＤＡＵＴＯＭＡＴＩＣＴＥＲＭＲＥＣＯＧＮＩＴＩＯＮ ＳｕＣｈａｏ （ＳｃｈｏｏｌｏｆＣｏｍｐｕｔｅｒＳｃｉｅｎｃｅ，ＦｕｄａｎＵｎｉｖｅｒｓｉｔｙ，Ｓｈａｎｇｈａｉ２０１２０３，Ｃｈｉｎａ） Ａｂｓｔｒａｃｔ　　Ａｕｔｏｍａｔｉｃｔｅｒｍｒｅｃｏｇｎｉｔｉｏｎ（ＡＴＲ）ｉｓｏｎｅｏｆｔｈｅｋｅｙｓｔｅｐｓｉｎｔｈｅｆｉｅｌｄｓｏｆｉｎｆｏｒｍａｔｉｏｎｅｘｔｒａｃｔｉｏｎａｎｄｔｅｘｔｍｉｎｉｎｇ．Ａｓｔｈｅｂａｓｉｃ ＡＴＲａｌｇｏｒｉｔｈｍｓｕｓｅｃｈａｒａｃｔｅｒｉｓｔｉｃｉｎｆｏｒｍａｔｉｏｎｏｆｃｅｒｔａｉｎａｓｐｅｃｔｓ，ｔｈｅｙｈａｖｅｎｏｔｉｃｅａｂｌｅｌｉｍｉｔａｔｉｏｎｓ．ＴｈｅｐａｐｅｒｉｎｔｒｏｄｕｃｅｓｔｈｅｌｏｃａｌＫｅｍｅｎｙ ｏｐｔｉｍａｌｍｅｔｈｏｄｔｏｄｅａｌｗｉｔｈＡＴＲｉｓｓｕｅ，ａｎｄｐｒｅｓｅｎｔｓａｎｅｗｒａｎｋａｇｇｒｅｇａｔｉｏｎｍｅｔｈｏｄ．Ｅｘｐｅｒｉｍｅｎｔｒｅｓｕｌｔｓｓｈｏｗｔｈａｔｔｈｅｍｅｔｈｏｄｈａｓｓｉｇｎｉｆｉｃａｎｔｌｙ ｉｍｐｒｏｖｅｄｔｈｅａｃｃｕｒａｃｙｏｆａｕｔｏｍａｔｉｃｔｅｒｍｒｅｃｏｇｎｉｔｉｏｎ． Ｋｅｙｗｏｒｄｓ　　Ｒａｎｋａｇｇｒｅｇａｔｉｏｎ　Ａｕｔｏｍａｔｉｃｔｅｒｍｒｅｃｏｇｎｉｔｉｏｎ　Ｔｅｘｔｍｉｎｉｎｇ　Ｉｎｆｏｒｍａｔｉｏｎｅｘｔｒａｃｔｉｏｎ 文首先介绍了７种已有的用于解决ＡＴＲ问题的基础算法；然后 ０　引　言 详细描述了使用局部Ｋｅｍｅｎｙ最优化方法来对这７种基础算法 进行集成；最后在一个生物领域的ＧＥＮＩＡ语料库上进行了实验 自动术语识别ＡＴＲ（Ａｕｔｏｍａｔｉｃｔｅｒｍｒｅｃｏｇｎｉｔｉｏｎ）要解决的问 验证。 题是如何从特定领域的文本语料库中自动提取出相关的术语。 这里术语指的是能表示领域知识的关键名词性单词或词组。术 １　统计学的ＡＴＲ算法 语提取是进一步分析术语间关系的前提，可以为知识抽取、文本 挖掘、链接分析等提供结构化知识单元。由于其重要性，自动术 ＡＴＲ算法的核心部分是对候选术语的排序，目前采用的特 语识别问题已经得到了广泛的研究和关注。 征指标大多基于术语的分布特征、结构特征和领域相关性信息 已有的自动术语识别方法通常包括两个步骤：第一步是预 等，表１对７种ＡＴＲ算法所采用的特征进行了归纳总结。 处理阶段，它利用词性标注器和名词短语切分器等语言学工具 表１　７种ＡＴＲ算法所采用的特征 来处理文本语料库，从而提取出候选术语的集合；而关于术语变 体识别技术，可以根据一个术语的词根形态来得到与此相关的 算法名称 术语的分 术语的构 术语的领 候选项是 是否参考 具体实现方式。第二步基于统计的术语识别，简言之，就是利用