基于句法分析的實(shí)體關(guān)系抽取

李真 張優(yōu)敏 夏冬梅 靳沖

摘 要：針對(duì)領(lǐng)域本體構(gòu)建中實(shí)體關(guān)系種類不明確，以及中文文本中多出現(xiàn)復(fù)雜句式，復(fù)雜句子中實(shí)體關(guān)系的獲取比較難的問題，提出基于句子語法分析的實(shí)體關(guān)系獲取方法，通過對(duì)句法結(jié)構(gòu)的分析，加入句法特征。以旅游領(lǐng)域的實(shí)體關(guān)系獲取為模型分別進(jìn)行二組實(shí)驗(yàn)。實(shí)驗(yàn)表明，基于SVM關(guān)系抽取實(shí)驗(yàn)中，加入了句法特征的那組實(shí)驗(yàn)結(jié)果的F值提高了15個(gè)百分點(diǎn)，證明句法特征對(duì)基于SVM的實(shí)體關(guān)系獲取的有效性。

關(guān)鍵詞：實(shí)體關(guān)系；句法特征；支持向量機(jī)

中圖分類號(hào)：TP391文獻(xiàn)標(biāo)識(shí)碼：A

國內(nèi)外對(duì)實(shí)體關(guān)系的抽取都做了相關(guān)的研究，蔡鴻博[1]采用挖掘頻繁項(xiàng)集關(guān)聯(lián)性與分析詞結(jié)構(gòu)信息相結(jié)合的方法來自動(dòng)挖掘上位詞之間的上位關(guān)系，達(dá)到了較好的層次化效果；郭劍毅[2]提出一種改進(jìn)的徑向基核函數(shù)融合多項(xiàng)式核函數(shù)及卷積樹核函數(shù)。本文前期也做過基于SVM（支持向量機(jī)）的概念、屬性及屬性值的對(duì)應(yīng)關(guān)系獲取[3]，但都沒有考慮復(fù)雜句式的問題，句法分析在處理復(fù)雜句式時(shí)有明顯的優(yōu)勢(shì)，因此，本文在進(jìn)行關(guān)系抽取時(shí)，通過對(duì)句法結(jié)構(gòu)的分析，加入句法特征。以云南旅游領(lǐng)域?qū)嶓w關(guān)系獲取進(jìn)行試驗(yàn)驗(yàn)證，結(jié)果表明該方法具有良好的可行性。

1 基于句法分析的實(shí)體關(guān)系抽取

特征的選擇。

在使用SVM進(jìn)行實(shí)體關(guān)系獲取時(shí)，最核心的步驟就是構(gòu)造特征向量，特征向量的構(gòu)造需要選取合適的特征，特征選取不合適會(huì)直接影響到實(shí)驗(yàn)的結(jié)果。由于中文文本中特征具有多樣性，在考慮到常用的詞特征、實(shí)體類型特征等的基礎(chǔ)上，引入一種句法特征。下面重點(diǎn)介紹一下句法特征。

（a）父類成分特征。父類特征主要表示在同一個(gè)句子中，兩個(gè)實(shí)體在句法分析樹中的結(jié)點(diǎn)是在哪個(gè)句法位置處顯示的。本文主要考慮五個(gè)句法成分：pp，np，zj，dj，vp。從離兩個(gè)實(shí)體最近的父結(jié)點(diǎn)開始，依次向上搜索，如果出現(xiàn)最近的公共句法成分為pp，np，zj，dj，vp中任一個(gè)，則其為父類特征。其中pp，np，zj，dj，vp在句法成分中分別表示動(dòng)詞短信、名詞短語、整句、單句句型和介詞短語。

（b）兩個(gè)實(shí)體間的路徑特征。兩個(gè)實(shí)體在句法分析樹中的路徑，由兩個(gè)實(shí)體對(duì)應(yīng)的結(jié)點(diǎn)間的句法成分構(gòu)成。例如句子“滇池位于云南省昆明市的西南?！彼木浞錇閇jd[np滇池/ns] [vp位于/v [sp云南省/ns昆明市/ns 的/u 西南/nl 。/wp]]]，如下圖所示，兩實(shí)體之間的路徑為np+dj-vp-sp。

（c）中心詞之間以及中心詞到實(shí)體之間的路徑。在分析了“云南省昆明市的西南”和“滇池”這兩個(gè)實(shí)體在語法分析樹中充當(dāng)?shù)某煞趾?，發(fā)現(xiàn)它們都和動(dòng)詞“位于”的關(guān)系比較密切，從句子的語義角色這方面來看，“云南省昆明市的西南”是“ 位于”的受動(dòng)者，“滇池”是“位于”的施事者， 同時(shí)本文發(fā)現(xiàn)句子中的大部分關(guān)系都有這樣的一個(gè)角色依賴關(guān)系和中心詞。因此，本文在原有特征的基礎(chǔ)上加了兩個(gè)新特征：兩個(gè)實(shí)體分別到中心詞的句法分析路徑特征和中心詞特征。中心詞為“位于”，實(shí)體E1到中心詞的路徑為：np+dj-vp，實(shí)體E2到中心詞的路徑為：vp-sp。

2 試驗(yàn)數(shù)據(jù)以及結(jié)果分析

（1）試驗(yàn)數(shù)據(jù)以及評(píng)價(jià)指標(biāo)。

為了證明SVM在實(shí)體語義關(guān)系抽取上具有可行性和有效性，本文分別設(shè)計(jì)了兩組相關(guān)的實(shí)驗(yàn)室，其中第一組實(shí)驗(yàn)是只有基礎(chǔ)特征實(shí)體關(guān)系抽取實(shí)驗(yàn)；第二組是不斷加入句法特征的基于SVM的實(shí)體關(guān)系抽取實(shí)驗(yàn)。由于本文在做實(shí)體關(guān)系抽取的實(shí)驗(yàn)時(shí)，缺乏相關(guān)的權(quán)威語料，本文利用網(wǎng)絡(luò)爬蟲工具從互聯(lián)網(wǎng)上搜集了相關(guān)旅游領(lǐng)域的語料，主要包括酒店、景點(diǎn)、文化、小吃四類，文檔3000余篇，其中有2000篇是作為訓(xùn)練語料，其余1000篇?jiǎng)t作為測(cè)試語料。

在對(duì)實(shí)驗(yàn)結(jié)果的評(píng)測(cè)中，本文采用信息抽取任務(wù)中比較權(quán)威的評(píng)測(cè)標(biāo)準(zhǔn)。即用召回率（R）來反映實(shí)驗(yàn)結(jié)果的查全率，用準(zhǔn)確率（P）來反映實(shí)體關(guān)系抽取的精度，用F值來表示實(shí)驗(yàn)結(jié)果的最終性能指標(biāo)，即：

（2）結(jié)果及分析。

由下表可知，每次加入的句法特征都起到了改進(jìn)系統(tǒng)性能的作用，其中父類成分以及中心詞和實(shí)體距中心詞的路徑兩個(gè)特征對(duì)實(shí)驗(yàn)的結(jié)果有很大的影響，提高了實(shí)體關(guān)系抽取的性能。

3 結(jié)論

實(shí)體關(guān)系的獲取是近年來文本信息處理領(lǐng)域的一個(gè)研究熱點(diǎn)。本文通過對(duì)兩個(gè)實(shí)體在句法結(jié)構(gòu)樹中的位置進(jìn)行分析，獲取實(shí)體之間的依存特征，在基于SVM的實(shí)體關(guān)系抽取中不斷地加入這些句子結(jié)構(gòu)特征，實(shí)驗(yàn)證明，句法分析對(duì)基于SVM的實(shí)體語義關(guān)系抽取具有顯著的效果。

參考文獻(xiàn)：

[1]蔡鴻博.基于上位詞的中文實(shí)體關(guān)系圖譜構(gòu)建[D].哈爾濱工業(yè)大學(xué)，2014.

[2]郭劍毅，陳鵬，余正濤，等.基于多核融合的中文領(lǐng)域?qū)嶓w關(guān)系抽取[J].中文信息學(xué)報(bào)，2016，30（01）：24-29.

[3]郭劍毅，李真，余正濤，等.領(lǐng)域本體概念實(shí)例、屬性和屬性值的抽取及關(guān)系預(yù)測(cè)[J].南京大學(xué)學(xué)報(bào)（自然科學(xué)版），2012，48（04）：383-389.

[4]付瑞吉.開放域命名實(shí)體識(shí)別及其層次化類別獲取[D].哈爾濱工業(yè)大學(xué)，2014.

作者簡介：李真（1983-），女，碩士，講師，高級(jí)工程師，研究方向?yàn)樾畔⒊槿　?/p>