基于两级概念格的信息抽取地研究.pdfVIP

第32卷第2期 江西师范大学学报(自然科学版) V01．32No．2 OFJIANGXINORMAL 2008年4月 JOURNAL I『NⅣERSⅡ．Y(NAll瓜AI．SCIENCE)舾．2008 文章编号：1000-5862(2008)02-0179-05 基于两级概念格的信息抽取的研究 仲兆满1，一， 刘宗田1 (1．上海大学计算机科学与工程学院，上海200072；2．连云港师范高等专科学校计算机系，江苏连云港222006) 摘要：该文提出了结构关键词的概念，给出了结构概念格和内容概念格的形式化描述．结构概念格是对 文档语义段的逻辑存储，内容概念格是对文档内容信息的逻辑存储．开发了一个基于文档的结构和内容 构造两级概念格的信息抽取的实验系统．实验表明，该方法对减少信息抽取的时间和提高信息抽取的精 度有显著的效果． 关键词：结构关键词；结构概念格；内容概念格 183 中图分类号：TP 文献标识码：A Ⅲ信息抽取的研究历史可追溯至20世纪60年代…．近年来，信息检索研究的重点是期望能够通过对句 子、段落以及整篇文档的逐级理解，提高信息检索系统的性能指标．在调查和分析大规模语料的基础上，用 统计学的方法处理自然语言已经成为NLP的主流【2J．在基于概念格的信息检索模型研究中比较有代表性的 Latticebased Ranking模型L3J，该模型将文档．特征词矩阵转化为一个概 是Carpineto和Romano提出的Concept 信息检索技术，以便于从分布于多个文档的片断信息中自动收集答案倒5． 袁毓林[6]6指出，除了论元结构知识之外，篇章结构和逻辑结构知识对信息抽取也有十分重要的作用．目 前已有的信息检索模型都缺乏对文档结构的语义理解，导致检索时间消耗大，信息抽取的结果不够精确．本 文论述的文档结构是指一篇文章在语义上的相对独立性，根据其独立性进而划分为若干语义段．每个语义 段都叙述了与其它语义段相对独立的一个主题，在结构上可以自成一块．为了表示本文中阐述的文档的结 构，提出了结构关键词的概念，进而构造文档结构概念格用于限定信息抽取的语义段范围；为了表示一个语 义段的内容，提出了内容关键词的概念，进而构造内容概念格用于某个语义段的信息抽取． 1查询请求和文档的语义理解 1．1文档的语义理解 文本具有一定的结构，本文将文本结构划分为物理结构和语义结构．物理结构表示文本的组成情况，包 括自然段落、句子和关键词．语义结构表示文本所包含的语义逻辑，语义段落、句子、关键词是它的外部表现 形式．语义段落是表示文本语义的结构单位，它由连续有序的句子组成． 人们在区分段落的时候就是根据段落中出现的能够区分结构的词．结构词是经过规范化的词，在标引 中用以表达文献的逻辑结构，目前还没有这方面的规范词表．作者分析了大量的文档，在语言学专家参与的 情况下，将语义段的结构划分为ll大类型，为每个类型分别构造了结构词表，共包括231个结构词．11大类 型是：下定义型、比较型、特征特点型、发展介绍型、功能型、原因型、事件型、时间型、地点型、人物型、数字 分类型语义段的结构词为：组成、包含、包括、方面、内容、途径、方法、分(分成)、领域、目标(目的)、代、方式、 收稿日期-2007-12-01 基金项目：国家自然科学基金资助项目． 作者简介：仲兆满(1977．)，男，江苏赣榆人，工学博士研究生，讲师，主要从事web信息挖掘、智能教学系统的研究． 江西师范大学学报(自然科学版) 20鸺年 举例、列出、分类、因素、要求、部分、类型、种类、划分、级别、层次、档次、阶段、代、经历、历程、过程．如文章 较型；(2)特征特点型；(3)包含分类型；(4)包含分类型；(5)特征特点型． 内容关键词是从文献的篇名、摘要或正文中抽取的，在表达文献内容方面具有实际意义的可起关键作 用的词汇．内容关键词是一种非标准化的自然语言，它不受词表的限制