基于句法語義特征的中文實體關系抽取

周舜哲

摘要：實體關系特征的選擇是實體關系抽取的核心問題。在以前的研究主要要是以實體原始特征和詞法特征來體現實體關系，在一定程度上來說很難再將抽取效果進一步提高。本文在傳統的研究基礎之上，闡述一種以語義和句法為主要特征進行抽取的新方法，并且融入了謂詞、句法和語義等一些角色，將SVM作為輔助工具，將真實的新聞消息進行試驗。

關鍵詞：句法語義特征；關系抽取

相對而言，由于中文語言結構的獨特性和語義的復雜性，中文實體關系抽取研究整體上與國外的研究還存在一定差距，常用的基于淺層語法分析獲取特征的方法已經達到瓶頸。本文也將采用 SVM模型訓練語料，但于以往不同的是，該方法擴展了實體關系特征的選擇范圍，除了傳統的詞法特征、實體原始特征外，又選擇了句法特征、語義特征等作為實體關系特征，主要包 括語義 角 色標注、依存 句法關系、核心謂詞特征等，并依據中文的語法特點對這些特征進行有機整合，得到二元實體對之間的豐富關系特征，最后交由SVM 進行訓練和測試。

一、本文的主要研究方法

（一）SVM的實體關系與句法語義特征抽取方法過程

研究方法依據LTP-Cloud對原始語料進行簡單的初步處理，利用LTP-Cloud對原始語料的詞、句法作為分析結果的基礎，之后生成二元實體對，將實體對的特征數據采集起來，轉化成訓練文本，然后再將訓練文本交給SVM進行強化訓練。這不僅是本文的創新內容還是最主要的核心部分，因為LTP-Cloud主要以單個句子為研究對象，這就需要我們獲取命名實體信息，將實體句子相互結合，形成實體對，假如說只有一個實體或者是沒有實體，那就說明不存在真正的實體關系，就需要我們將其去掉。

（二）實體關系的基本特征

常規的實體關系特征主要從詞法分析結果來獲取，以往的研究已經表明了這些特征的有效性。面向句子中所有實體組成的二元實體對，本文選擇的基本實體關系主要特征如下：

1.實體種類。目前LTP-Cloud能夠識別的實體種類有人名、地名、組織機構名。

2.實體長度。根據命名實體結果的標識信息中，獲取多詞實體的邊界，并根據其首尾詞的位置來計算實體長度。

3.實體內容。這里采用詞袋機制將實體內容由字符轉換為數字。

4.實體中各詞的詞性標注。

5.實體的上下文環境。包括實體前后兩個詞的內容以及詞性標注信息。

（三）句法語義的主要特征

本方法對處理結果再進一步的深入研究，可以得到更多的句法語義特征。

1.句法依存關系。將獲取實體對中每一個實體在原句中所屬的句法依存關系值。

2.實體與核心謂詞的距離。根據實體首詞在句中的位置和核心謂詞的位置，計算出每一個實體與核心謂詞的距離。

3.語義角色標注。LTP-Cloud的初步結果中包含了針對所有謂詞的語義角色標注結果，但是只有基于核心謂詞的語義角色標注的覆蓋度是最廣的，所以這里也僅選擇基于核心謂詞的語義角色標注結果作為這一特征來源，獲取實體對中每一個實體所屬的語義角色成分，將其作為實體關系的一種特征。

每組實體對的實際特征個數會隨著實體長度的不同而不同；這些特征之間的相對位置并不是任意的，需要根據一定的規律合理安排。

二、試驗方法與結果分析

（一）實驗結果評價標準

預設了4種實體關系種類：人名實體與組織機構實體之間的雇傭關系、組織機構實體與地名實體之間的位于關系、屬于同一種實體類型的 同 類 關 系和 無 關 系。由于本文亦將實 體關 系抽取過程看作是分類的過程，所以這里的評價方式也采用常規的準確率、召回率和F1值。

因為分類標注問題不同于信息檢索問題，所以應計算所有實體關系種類的準確率和召回率的平均值，以此作為整體抽取結果的準確率和召回率，并由此得出整體F1值。

（二）實驗設計思路

本方法用1998年1月份的《人民日報》所有版面內容作為語料，共含有4萬多個中文句子。由于LTP-Cloud需要以句子為基本處理對象，所以還需采用基于規則的方法將語料內容進行分句。將上述語料通過LTP-Cloud處理后，可得到含有約8.5萬個唯一實體的處理結果，由此可得到約3.6億個二元實體對，將其中的80%作為訓練語料，20% 作為測試語料，進一步分析出實體對中句法語義特征數據，并人工添加實體關系分類標注，最終形成訓練語料。采用libSVM作為輔助工具，在SVM的訓練過程中，選擇RBF作為核函數，采用交叉驗證法，得到最優參數c=2.0， g=0.5， CV rate=73.1905。實驗程序采用Python語言編寫實現。

（三）實驗結果分析

為了與傳統研究方法進行比較，對比組選取傳統的基本特征，實驗組在原有傳統基本特征的基礎之上加入句法語義特征。

通過以上的統計結果研究顯示，實驗組的抽取效果很明顯的優越于對照組。同時位于關系、同類關系和無關系的效果更加明顯一些，所以說本研究方法是有一定的實際意義的。

但是其中也存在一個明顯的問題，從局部來看，部分實體關系抽取的效果相對較差，例如，人名實體與組織機構實體之間的雇傭關系。在實體對中，并不是只要存在一個人名實體與一個組織機構實體，就應認定他們之間存在雇傭關系，只是在句中的位置、具體的詞不同，所以這就容易導致分類錯誤。

三、結束語

本文提出了一種基于句法語義特征的實體關系抽取方法，與以往的實體關系抽取方法相比，本文新增了句法分析結果和語義分析結果作為為實體關系的特征，實驗結果表明此方法效果明顯。另外，本方法以句子為處理單位，缺少篇章處理的視野，未來將在上述方面繼續做深入研究。

參考文獻：

[1]徐健，張智雄，吳振新.實體關系抽取的技術方法綜述[J].現代圖書情報技術，2014，24（08）：18-23.