基于细粒度实体分类的对比研究.docx

? ? 基于细粒度实体分类的对比研究 ? ? 周 祺， 陶 皖 (安徽工程大学 计算机与信息学院，安徽 芜湖 241000) 0 引 言 在自然语言处理(Natural Language Processing，NLP)中，实体分类是指为每一个实体分配一个指定的标签，这是一项非常重要而又基础的工作，在知识图谱的构建中扮演着重要的角色，作为构建知识图谱的基础性工作，实体分类的质量好坏直接影响整个知识图谱的可信度和可用性。传统的命名实体识别[1](Name Entity Recognition，NER)作为实体抽取的子任务为后续的工作奠定了坚实的基础，即将文本中的指称(即实体在具体上下文中的一段指代)抽取出来，并判断其在上下文中的类型为人、位置、组织、其他等粗粒度类型的过程。近年来，传统的命名实体识别被扩展到更深层次的细粒度实体类型。由于上游分配粗粒度的实体类型，后续选取实体间的候选关系就会复杂，相应的关系抽取任务会变得愈加困难，于是就促进了细粒度实体分类任务的研究。通过细粒度实体分类概念的引入，有效地将粗粒度的实体类型标签细化、层次化，从而使得下游任务(关系抽取、事件抽取、问答系统、实体推荐等)的工作效率降低，提高工作效率。 细粒度实体分类[2](Fine-grained Entity Typing，FET)在给定实体指称的情况下，依据其上下文给实体指称赋予一个或多个实体类型。