基于关系相似度计算的实体关系分类研究.docx

基于关系相似度计算的实体关系分类研究摘要：实体关系抽取和实体关系分类是信息抽取中重要的研究领域不仅要识别文本中的实体还要确定这些实体之间的关系能够辅助机器对文本语义的理解。提出了一种基于关系相似度计算的实体关系分类模型并针对7种常见实体关系进行了分类实验。关键词：SVD；关系相似度；实体关系分类中图分类号：TP392文献标识码：A文章编号：16727800（2013）004013002基金项目：河南省教育厅基础与前沿技术研究项目（122300410048）作者简介：郭丽（1984-）女硕士中原工学院软件学院助教研究方向为云计算、数据挖掘、自然语言处理；刘磊（1981-）男硕士郑州航空工业管理学院讲师研究方向为文本挖掘、自然语言处理。0引言在信息抽取中不但要抽取信息中的实体还要确定这些实体间的关系。通常词对限定为由名词及其修饰语组成而不同应用背景下的词对关系也会有所差别如ACE评测中的关系有地理位置关系（PHYS）、雇佣关系（EMPORG）等。假设文本中提到“北京大学校长”其中“校长”和“北京大学”分别为人物实体和组织实体而它们之间又构成一种雇佣关系（EMPORG）即“校长”受雇于“北京大学”。如果说信息抽取将文本转化为数据表格实体抽取确定了表格中各个元素的话实体关系抽取则是确定这些元素在表格中的相对位置。1关系相似度关系相似度最主要的应用是对语义关系分类通常是辨别一对词语（一般限定为名词及其修饰语）间的关系类别。如：“奥巴马”与“美国”的关系应当是国家领导人与国家的关系。而现实世界的语义类别众多我们不可能将所有的语义关系都定义出来而是根据不同的应用领域制定不同的分类标准。Nastase和Szpakowicz（2003）对通用领域的名词—修饰语总结了5大类30种关系Fillmore和Hearst（2002）将医学领域的名词及形容词分为13种关系而Turney和Littman（2005）则将名词—修饰语词对关系分为5类。笔者曾对存在较多语义关系词对的中文专利语料（专利中术语较多而术语往往由修饰词和中心语组成）进行实验并根据知网中词语间关系的分类体系将词对间的关系细分为10种如表1。2实体关系抽取实体是命名实体的简称常见的实体有地名、人名、组织机构名等。实体关系分类就是按照一定的分类体系将这些不同的实体对归属到自己的类别当中如：“华盛顿”、“美国”的关系与“平壤”、“朝鲜”的关系一样都是首都与国家的关系。本文主要研究新闻语料中的实体关系分类通过总结实验语料获得的7种常见实体关系作为本文实验的关系类别如表2所示。3实验内容KNN算法是机器学习算法中较简单的一个分类算法整体思想是计算一个点A与其它所有点之间的距离取出与该点最近的k个点然后统计k个点里面所属分类比例最大的则点A属于该分类。作者在2009年提出基于奇异值分解的关系相似度计算方法是利用同义词词典将组成词对的每个词进行同义词扩展以组成新的词对统计词对的上下文并泛化为模板以其代表词对内词语间的关系通过计算模板向量间的夹角余弦值来代表词对间的关系相似度。本文使用KNN分类算法对测试词对进行实体关系分类采用基于奇异值分解的关系相似度算法计算不同词对之间的相似度作为词对之间的距离。利用基于关系相似度的实体关系分类算法对NTCIR7语料中识别的实体之间的关系分为七大类（见表2）并对其进行验证和分析。3.1实验语料本文采用NTCIR7的测试语料共800余兆表3为本文实验语料具体分布。3.2评价方法信息检索、分类、识别、翻译等领域的两个最基本指标是召回率（RecallRate）和准确率（PrecisionRate）召回率也叫查全率准确率也叫查准率。本文采取准确率、召回率和F值对分类结果进行评价。4实验结果本文首先为表2中R1～R7类的每个类别设定20个种子词对如：R1中的“美国”、“日本”“美国”、“英国”等；R3中的“吴作栋”、“新加坡”“”、“中国”等。选择除种子词对外的35个词对（各类5个测试词对）采用基于关系相似度的实体关系分类算法进行测试。表4和表5分别列出了开放和封闭测试的结果。从表4和表5中可看出在开放测试中关系R7的分类结果较差主要原因是由于选择的种子词对较少导致开放测试效果不佳尤其是R7的分类效果最差。另外关系模板的数量和覆盖率对分类结果也有较大的影响许多模板被作为噪声数据过滤掉从而导致该类特征不明显使得分类结果较差。从上述试验结果可以看出将关系相似度应用在实体关系抽取中在小规模模板监督下取得了一定的效果