条件随机场与规则集成的专利摘要信息抽取.pdfVIP

本期话题 http: // 条件随机场与规则集成的 专利摘要信息抽取* □ 李鹏 桂婕 乔晓东 张兆锋 / 中国科学技术信息研究所 北京 100038 摘要：专利是一种重要的情报分析数据来源，由于专利使用的术语比论文更为抽象等原因，基于 统计的信息抽取效果并不理想。文章利用文档结构的特点以及专利写作过程中的常用特色词汇，在利 用条件随机场这种概率模型的基础上，提出了集成基于规则的专利摘要信息抽取方法。系统参加亚洲 语言信息检索测评会议专利挖掘之技术趋势图谱子任务，取得较好的成绩，证实其系统的实用性与高 效性。 关键词：信息抽取，条件随机场，规则 DOI：10.3772/j.issn.1673—2286.2010.09.002 1 引言 用条件随机场模型进行标注识别，并结合规则对错误 识别结果进行后处理的科技术语识别方法。 条件随机场 （C on d it i on a l R an d om F i e l d s ， 本文选择CRFs作为专利摘要信息抽取的统计模 CRFs ），是一种用来标记和切分序列化数据的统计框 型，同时结合专利文档结构的特点以及专利写作过程 [1] 架模型，最早由Lafferty等人于2001年提出 ，其模型思 中的常用特色词汇，在利用条件随机场这种概率模型 想主要来源于最大熵模型。但是，相比较而言，CRFs 的基础上，提出了集成基于规则的专利摘要信息抽取 能够更好地模拟真实世界的数据。首先，CRFs突破了 方法。 隐马尔可夫模型的强独立性假设条件的约束，具有容 纳任意的上下文信息的优点。其次，CRFs能够计算全 2 CRFs与规则集成的专利摘要信息抽取 局最优输出节点的条件概率，克服了最大熵马尔可夫 模型的长度偏置和标签偏置的缺点。因此，CRFs被广 2.1 专利技术及其功效抽取的任务 [2] 泛用于自然语言处理的研究领域，如组块分析 、汉语 [3] [4] 动宾搭配 自动识别 、中文 自动文摘 等任务。CRFs等 亚洲语言信息检索评测会议 （N A C SI S Te st 统计方法覆盖面大，容易实现，缺点是容易丢失低频 Collections for IR ，NTCIR ）是由日本科技文部省下的 功能词和错误识别高频功能词。 情报信息研究所 （NII ）主办的多语言处理国际评测 基于规则的方法，主要是利用一些语言学的知 会议，主要关注中、日、韩等亚洲语种的相关信息处 识，以及特定的领域知识来制定一套规则，其优点是 理。该评测会议的主要 目的是增强信息获取技术的研 识别准确率高，主要缺点在于规则由手工编写，费时 究交流，包括信息检索、问答系统、文本摘要、信息 [6] 费力，规则覆盖面有限。