论文部分内容阅读
随着互联网上信息的快速增长,人们迫切需要一些自动化的工具帮助其在海量信息中迅速找到真正需要的信息。信息抽取(Information Extraction)研究正是在这种背景下产生的,关系抽取(Relation Extraction)是信息抽取的子任务之一。实体关系抽取的任务是从文本中抽取出两个或者多个实体之间预先定义好的语义关系。本文将实体关系抽取定义为一个分类问题,主要研究内容是中文音乐领域的实体关系抽取。针对这一问题,本文首先构建了中文音乐实体关系语料库,然后分别采用了基于序列模式挖掘的无指导的方法和基于特征提取的有指导的方法来解决这一问题。在语料库的建设过程中,本文参考了ACE语料的构建过程,首先定义了包含11种实体关系的中文音乐领域关系类型体系;接着制定了详细的标注规范并完成了10,000句语料的标注工作。与此同时,本文针对音乐领域和中文的语言学特点,定义了音乐领域的序列模式。由于BootStrapping方法的引入,实体关系种子可自动扩展并可从互联网上挖掘大量的高准确率的序列模式。在评测集上,该方法取得了平均准确率为94.40%的结果。最后,本文基于已标注完成的语料库,研究了音乐领域实体关系抽取的特点,并根据其特点进行了特征选择的研究,分别使用最大熵(Maxent)和支撑向量机(SVM)对特征抽取的结果进行了实验,在相同的测试集上,SVM分类器取得了更好效果。另外,本文还将序列模式分类器与支撑向量机分类器进行了级联,在评测集上取得了平均F值为80.85%的结果。最后,本文还设计和实现了中文音乐实体关系抽取实验平台,在该平台上,研究人员可以集中精力进行挖掘方法和特征选择的改进,提高了研究效率。