知識驅動的游戲攻略自動標注算法

陳環環，陳小紅，阮 彤，高大啟，王昊奮

(1.華東理工大學 計算機科學與工程系，上海 200237； 2.盛趣信息技術(上海)有限公司，上海 201203)

(*通信作者電子郵箱1558589300@qq.com)

知識驅動的游戲攻略自動標注算法

陳環環1*，陳小紅2，阮 彤1，高大啟1，王昊奮1

(1.華東理工大學 計算機科學與工程系，上海 200237； 2.盛趣信息技術(上海)有限公司，上海 201203)

(*通信作者電子郵箱1558589300@qq.com)

為了幫助用戶快速檢索感興趣的游戲攻略，提出了知識驅動的游戲攻略自動標注算法。首先，對每款游戲的多個資訊網站進行融合，自動構建游戲領域知識庫；然后，再通過游戲領域詞匯發現算法和決策樹分類模型，抽取游戲攻略中的游戲術語；由于游戲術語在攻略中大多以簡稱的形式存在，故最后將攻略中游戲術語和知識庫進行鏈接得到該術語所對應的全稱即語義標簽對攻略進行標注。在多款游戲上的實驗結果表明，所提出的游戲攻略標注方法的準確率高達90%。同時，游戲領域詞匯發現算法與其他術語抽取方法n-gram語言模型相比取得了更好的效果。

游戲攻略；知識庫；游戲術語；語義標簽；決策樹

0 引言

當前游戲產品愈發同質化，游戲能否成功占有市場，游戲玩家的用戶體驗成為最關鍵的一步[1]。如今，游戲產品可供選擇的數量眾多，用戶偏好日趨多元化。只有將好的用戶體驗利用在游戲設計上，才能贏得用戶玩家的心聲。目前，主要從游戲角色的設計、游戲視覺效果及游戲的操作等方面提升用戶的體驗[2]。據統計，大量的熱門游戲的資訊網站中都包含豐富的游戲攻略，這是玩家的主要檢索對象，可幫助用戶特別是新手玩家快速地入門和升級，是提升用戶體驗的重要組成部分。游戲攻略標注問題近年來研究較少。因此，本文通過對游戲攻略進行標注幫助用戶快速檢索所需的游戲攻略從而提高用戶的游戲體驗。

由于每款游戲有多個資訊網站，且有很少資訊網站提供搜索功能，玩家檢索自己感興趣的攻略時需輾轉于多個資訊網站之間，花費大量的時間和精力，因此，對游戲攻略進行標注可以提高攻略檢索的效率。同時，玩家通過語義標簽，可以更快更全面地了解攻略內容，且語義標簽的生成有助于游戲攻略的分類和語義搜索系統的構建。

本文中的游戲攻略的標注任務如下：給出一條基于文本的游戲攻略，識別出其中包含的游戲術語，并將這些術語作為該攻略的標簽。然而，攻略中的游戲術語大多以簡稱的形式存在，且游戲攻略內容比較口語化，這是對攻略進行標注的難點。在本文中，游戲術語為游戲領域內的專有詞匯且包含其簡稱。例如，游戲“最終幻想14(FF14)”中的一個攻略標題為“FF14劍術師及騎士入門技能分析和輸出手法”包含游戲術語“劍術師”和“騎士”，因此“劍術師”和“騎士”是該攻略的標簽。首先，針對同一款游戲不同資訊網站的異構現象，本文提出通過融合多個網站來構建知識庫的思想，知識庫具有完善的層次結構并存儲了豐富的游戲領域知識。其次，為了準確地抽取游戲攻略中的游戲術語，本文提出一個新的方法：游戲領域詞匯發現算法。由于大多游戲術語以簡稱的形式存在于游戲攻略中，因此，本文使用匹配算法將攻略中的游戲術語和知識庫進行鏈接，從而得到游戲術語的全稱即語義標簽。

本文的主要工作如下：

1)對于大多數熱門游戲，提出一套通用的方法構建知識庫。對于知識庫構建過程中所產生的沖突給予有效的解決方法。

2)針對游戲攻略的結構特點及游戲術語特征，在原有“新詞發現算法”[3]基礎上進行優化得到“游戲領域詞匯發現算法”，并結合決策樹分類模型抽取游戲術語。

3)本文提出一種適合游戲領域的匹配算法，將游戲攻略中的術語與所構建知識庫進行連接，從而生成語義標簽。

1 相關工作

本文研究的關鍵技術為：構建游戲領域知識庫、抽取游戲攻略中游戲術語。近年來，知識庫的構建和中文術語的抽取得到了廣泛的研究。下面將簡要介紹。

構建高質量的知識庫是本文游戲攻略標注的關鍵步驟，知識庫的完善與否直接影響游戲攻略標注的準確率。DBpedia[4]、Freebase[5]、YAGO(Yet Another Great Ontology)[6]都是通用知識庫，包含了豐富的數據，但是缺乏游戲領域知識。DBpedia是從維基百科中自動抽取結構化信息，被廣泛用于語義萬維網和商業環境。Freebase中的所有內容由用戶添加，所有條目都采用結構化數據的格式。YAGO主要信息來源于維基百科，具有足夠高的準確度和覆蓋度。本文所建的知識庫和上述幾個知識庫相似，都是通過融合互聯網資源得到。

中文術語的抽取是中文信息處理的一項重要任務，在領域本體構建方面有著重要應用。現有的術語抽取方法主要有以下三類：

1)基于規則的方法。通過人工總結的規則模板抽取術語，如術語的上下文、詞法模式、詞形等。文獻[7]利用術語的共同特征前綴信息，抽取前綴是名詞的文本片段為術語。類似的，還有一些其他的抽取規則，如首部修飾定律、五層術語抽取模型[8]等。該方法的優點在于實現簡單、準確率較高，缺點在于規則由人員編寫，耗時耗力。

2)基于統計的方法。利用術語內部各組成成分之間較高的關聯程度以及術語的領域特征信息來抽取術語。目前該方法在抽取術語時，用到的主要參數有：互信息(Mutual Information, MI)[9]、Term Frequency-Inverse Document Frequency(TF-IDF)[10]、詞頻[11]、似然比(Likelihood Ratio, LR)[12]等。陳士超等[13]在不更改互信息公式的前提下，通過設置雙閾值的方法進行候選術語的選取與過濾。該方法的優點是通用性較強，缺點是針對稀疏數據效果較差。

3)統計和規則相結合的方法。此方法綜合基于規則和統計的優缺點而提出。樊夢佳等[14]提出了采用左右信息熵擴展、邊界信息出現概率和TF-IDF相融合的統計方法，同時引入詞性搭配規則進一步約束術語的構成，從而抽取術語。Bonin等[15]先根據規則抽取候選集合，然后使用C-value和T檢驗的方法計算，最后得到真正術語。目前，統計和規則相結合的方法在術語抽取方面還未達到理想水平。

本文抽取的是游戲攻略所包含的游戲術語，由于游戲攻略語言表達較口語化且游戲術語組成結構也無規律可循，使用以上抽取方法效果不佳。本文提出的游戲術語抽取方法綜合詞組的詞頻和上下文信息得到候選詞，在統計方法的基礎上進行了擴展。

2 游戲攻略標注算法的整體流程

2.1 游戲攻略標注算法的思想

本文的目標是找到一種適用于大多數熱門游戲的游戲攻略標注方法。整體流程如圖1所示，通過對三個數據源的數據進行解析融合后得到如圖2所示的知識庫結構。從每款游戲的多個資訊網站中解析攻略文本數據構成語料庫，每條攻略包含標題和內容兩部分。通過游戲領域詞匯發現算法得到候選詞，該算法包含兩個成詞標準“內部凝固程度”和“自由運用程度”。在進行鏈接時，判斷標題中是否包含候選詞。若包含，則選取最長候選詞使用匹配算法和知識庫進行鏈接。在鏈接的過程中，若攻略標題中游戲術語以全稱的形式存在，則和知識庫完全匹配。若以簡稱的形式存在，則通過相似度計算和知識庫匹配。通過匹配算法得到游戲術語全稱進而對攻略進行標注。

圖1 算法整體流程

圖2 知識庫結構

2.2 問題定義

本文主要研究對象為游戲，通過觀察發現，熱門游戲均滿足以下條件。

1)每款游戲至少有兩個資訊網站，資訊網站至少包含數據庫(Database)、游戲資料、游戲介紹中的一項，且它們都包含完善的分類體系及豐富的游戲領域知識。這是構建知識庫(Knowledge Base)的主要數據來源。

2)游戲攻略(Strategy)每天都在不斷更新，每條攻略數據都由兩部分構成：攻略標題(title)和攻略內容(content)，且94%左右的標題都會包含一個或者多個游戲術語。游戲攻略構成語料庫。標題中的游戲術語是語義標簽的來源。

3)在知識庫中，游戲術語均是以全稱的形式存在。

針對滿足以上條件的熱門游戲，本文的主要任務可以描述為：對于給定的語料庫(Corpus)，抽取出每條攻略所包含的游戲術語集合M={mention | mention in title}，在知識庫中找到其對應的游戲術語全稱集合E={entity | entity in Knowledge Base}。本文輸入為大量的游戲攻略數據，輸出為游戲攻略及其標簽{(strategy,tags) | strategy in corpus and tags in Knowledge Base}。具有以上條件的游戲均可使用本文所提出的方法進行游戲攻略標注，具體算法在下面的章節中會詳細介紹。

3 游戲攻略標注算法設計

3.1 構建游戲領域知識庫

本文提出一套通用的方法來構建游戲知識庫。知識庫的主要來源為游戲資訊網站中的數據庫或游戲介紹或游戲資料，這些數據可能存在于同一款游戲的多個資訊網站中。它們具有完善的分類體系和豐富的游戲領域知識，可通過解析網頁的超文本標記語言(Hyper Text Markup Language，HTML)結構獲得，進而構成了知識庫的模式層和實例層。以“傳奇世界(http://woool.games.sdo.com/knowledge/index)”為例，圖2給出了這款游戲的部分知識庫結構?！皞髌媸澜纭睌祿熘杏小奥殬I”和“裝備”，“裝備”下包含“盔甲”“武器”等，在頁面上點擊“武器”會出現具體的武器頁面如“軒轅人皇劍”且其下面沒有更細的劃分，因此“軒轅人皇劍”是“武器”的實例構成實例層，且“武器”和“盔甲”是“裝備”子類和“裝備”一起構成模式層。同理，“職業”也是如此。由于每款游戲有多個資訊網站且資訊網站之間存在差異性，因此需要進行數據融合，同時需要解決融合過程中可能產生的沖突。

首先，對模式層進行融合。模式層所產生的沖突主要表現為：同一個子類在不同的資訊網站中所屬父類不同?？梢悦枋鰹椋涸O有三個類A、B、C，類C在不同的網站中分別屬于不同的父類A和B。首先根據簡單的投票機制計算類C屬于類A的網站數num(A)及屬于類B的網站數num(B)。若num(A)>num(B)，則將類C劃分到類A下。若num(A)

Ri=fi/(f1∪f2∪…∪fi)

(1)

其中，fi為類i的實例數，通過這個公式可得RA和RB。若RA>RB，將類C劃分到類A下；若RA

然后，對實例層進行融合。在實例層會產生兩類沖突：一類是同一個實例在不同的網站分屬不同的類；另一類是同一類在不同的網站所包含的實例不同。對于第一種情況使用解決模式層沖突的方法，這里不再重復。對于第二種沖突，需要對此類中的實例進行字符串相似度計算，這里使用簡單的最長公共字串的計算方法，公式如下：

(2)

其中：lcs(longest common substring)是最長公共子串；length(lcs)指的是兩個實例最長公共子串的長度；length(fi)指網站i中實例f的長度；length(fj)指網站j中實例f的長度。通過實驗，sim(fi,fj)取值有三種情況：

1)sim(fi,fj)=0，實例fi作為實例fj的補充加入知識庫中。

2)0.5

3)sim(fi,fj)=1，實例fi和實例fj完全相同，則進行去重融合。

例如，“最終幻想14”這款游戲有兩個資訊網站“178(http://ff14.178.com/)”和“多玩(http://ff14.duowan.com/index.html)”。“178”網站副本類中有實例“塔姆·塔拉墓園”，“多玩”網站副本類中有實例“地下靈殿塔姆·塔拉墓園”，計算相似度得到sim∈(0.5,1)，故將“地下靈殿塔姆·塔拉墓園”加入知識庫中。

本文通過以上方法，可對熱門游戲構建知識庫。詳細介紹了知識庫數據的來源以及在融合過程中產生的沖突，并對融合中產生的沖突提出了統一的解決方法。構建的知識庫使游戲領域知識更加結構化且使玩家對游戲有更全面的認識，有利于對游戲進行組織和管理。但是，游戲知識庫構建的完善與否直接影響其質量，且構建知識庫是本文標注質量的關鍵技術之一。本文將通過攻略數據的標注效果對所構建的游戲領域知識庫質量進行評測。

3.2 游戲攻略中游戲術語的抽取

游戲攻略所包含的游戲術語大多屬于未登錄詞即新詞，無法使用傳統的分詞方法進行抽取。因為，傳統的分詞方法要想達到分詞的準確性必須依賴詞庫的完整性，然而目前詞庫無法窮舉出所有的未登錄詞。基于游戲術語的特點，本文提出一種新的游戲術語抽取方法：游戲領域詞匯發現算法。

游戲領域詞匯發現算法在新詞發現算法[3]的基礎之上優化得到。新詞發現算法判斷一個文本片段是否成詞的標準為：“內部凝固程度”和“自由運用程度”。由于語料庫的不同，對成詞標準的計算進行了優化以適應游戲領域?！皟炔磕坛潭取钡挠嬎愎綖椋?/p>

(3)

(4)

其中，λ1λ2λ3表示一個詞是由λ1、λ2、λ3三部分組成，在使用的時候可能不止這三部分其計算原理是一樣的。P(λ)為λ出現的概率，length為長度，num為詞頻，Text是整個語料庫。例如，“蝙蝠俠”“自由運用程度”就是P(蝙蝠俠)與P(蝙蝠)·P(俠)的比值和P(蝙蝠俠)與P(蝙)·P(蝠俠)的比值中的較小值。

“自由運用程度”也是成詞的重要標準之一。一個文本片段可以成詞的話，肯定有非常豐富的左鄰字和右鄰字。例如“我最近眼睛痛，可能是用眼睛過度，應該保證眼睛適當的休息，因為眼睛是我們心靈的窗戶”。這句話中“眼睛”一次共出現四次，它的左鄰字集合為{近，用，證，為}，右鄰字集合為{痛，過，適，是}。這里，使用信息熵進行衡量。通過對游戲攻略的觀察，發現每個攻略數據所包含的內容較短且由多個段落組成，故屬于短文本。在計算信息熵時，會經常出現一個詞的左鄰字是開頭或者是標點符號，右鄰字是結尾或者標點符號。針對這種情況本文的處理是視其左鄰字或右鄰字為一個未出現的新詞，并統計出現這種左鄰字或右鄰字的詞頻。通過以上的改進得到信息熵的計算方法為：設一個詞W的左鄰字集合為{X1,X2,…,Xn}，則W的左鄰字信息熵為：

n+m=num(W)

(6)

由式(5)和式(6)可得：

其中：P(X)=num(XW)/num(W)，num(Otherl)為左鄰字是開頭或者標點符號的次數。同理，設W的右它們鄰字集合為{Y1,Y2,…,Yn}，可得到W的右鄰字信息熵的計算公式為：

其中：P(Y)=num(YW)/num(W)，num(Otherr)為右鄰字是結尾或者標點符號的次數。綜合左鄰字信息熵和右鄰字信息熵，可得信息熵的計算公式為：

H=min{H(X),H(Y)}

(9)

針對游戲攻略數據的特點，在實際的抽取過程中還進行了如下改進：

1)候選詞長度d的調整。該算法必須設定候選詞長度，候選詞長度的選取直接影響鏈接的準確率和效率：若過小，則會丟失很多游戲術語；若過大，則會摻雜很多無用的詞匯。針對不同的游戲，所設置的候選長度也會不同。具體調節策略為：候選詞長度為知識庫中游戲術語的長度最大值。如此，所抽取的候選詞不會產生遺漏現象，也不會摻雜過多無關詞匯，從而提高抽取的質量。

2)將語料庫中出現的英文和數字進行預先處理存儲在候選詞集合中，然后進行正常的抽取。之所以事先抽取英文詞語，是因為攻略數據絕大部分是中文，即使出現英文也是一個完整的英文單詞。如果在正常抽取過程中抽取英文單詞，則會將英文詞的子串加入到候選集合中。對于熱門游戲來說，游戲術語不會出現有數字的情況。預先處理數字可以提高抽取的效率和質量。

該算法的偽代碼為：

輸入：setStrategies, Set of game strategy 輸出：setPhrases, Set of phrase that meet conditions

1)

foreachstrategy∈setStrategiesdo

2)

PhraseMap←length<=d(phrase;num)

3)

ifleftPhraseexiststhen

4)

LeftPhraseMap←leftPhrase

5)

ifleftPhraseispunctuationorbeginningthen

6)

PBMap← (LeftPhrase, 1)

7)

rightPhrasesame asleftPhrase

8)

if!leftPhrase‖!rightPhrasethenAsanewword

9)

PhraseSet← 1

10)

setPhrase←Phrase(C,H,num)

11)

endfor

該算法的輸入為游戲攻略數據，輸出為滿足條件的詞組集合，第2)行是抽取長度不大于d的詞組的詞頻。該算法得到包括游戲術語在內的詞組及該詞組的凝合度、信息熵和詞頻。得到的詞組包含大量的無用詞匯，比如得到的詞組中包含黑魔法師，但也包含魔法、法師等無用詞匯。對此，本文使用二分類模型進行過濾。以每個詞的凝合度、信息熵、詞頻作為特征訓練二分類模型：一類是需要的候選詞，另一類是不需要的。首先，從詞組列表中隨機選取2 000條數據進行人工標注，分別選取支持向量機(Support Vector Machine, SVM)、貝葉斯和決策樹[16]作為分類模型，使用十折交叉驗證測試每個分類模型的準確率。整個分類的過程使用機器學習工具Weka實現。最后，得到決策樹分類模型的準確率最高，為97.4%。因此，選取決策樹作為分類模型過濾出所需的候選詞匯即mention列表。

3.3 實體鏈接

本文的實體鏈接任務為：將攻略標題中出現的游戲術語和知識庫中的游戲術語進行鏈接，從而得到每條攻略數據的標簽。通過對多款熱門游戲觀察可知，攻略標題包含游戲術語有以下幾種情況。

1)攻略標題只包含一個游戲術語。例如，標題為“傳奇世界傳承珠完全使用的攻略”的攻略，它包含一個游戲術語“傳承珠”。該攻略的標簽類型為單標簽。

2)攻略標題中包含多個游戲術語。例如，標題為“傳奇世界武士的終極裝備搭配”的攻略，它包含兩個游戲術語“武士”和“裝備”。該攻略的標簽類型為多標簽。

3)攻略標題中游戲術語是知識庫中游戲術語的簡稱。例如，標題為“爆發吧黑魔法 黑魔副本輸出手法經驗談”的攻略，它包含的游戲術語“黑魔”是知識庫中“黑魔法師”的簡稱。

基于上述情況的考慮，本文提出了適合游戲攻略的鏈接算法，實現了游戲攻略中術語和知識庫的一一映射，進而達到標注的目的。具體鏈接算法的流程如圖3所示。

在圖3中，mention列表是由游戲領域詞匯發現算法和決策樹分類模型得到的候選詞集合。若標題中包含mention，必須選取長度最長的mention和知識庫鏈接。例如，知識庫中包含“白魔法師”“黑魔法師”，攻略標題包含“黑魔法師”，候選詞有“法師”“黑魔法師”。若不選取最長的候選詞則鏈接時會引入錯誤標簽“白魔法師”。mention和知識庫不完全匹配時的相似度計算公式為式(2)。

4 實驗評測

4.1 實驗數據

本文語料庫為游戲攻略數據。選取4款熱門游戲進行測試，分別為“部落沖突”“傳奇世界”“英雄聯盟”和“最終幻想14”。從這4款游戲的多個資訊網站中爬取游戲攻略數據，并進行去重后，每款游戲各選取1 500條進行實驗。為了驗證測試結果，本文采用文本標注實驗時經常使用的評價標準：準確率(Precision)和召回率(Recall)。若定義Num(right)為正確標注的數據個數，Num(wrong)表示錯誤標注的數據個數，Num(null)表示沒有標注的數據個數，則準確率和召回率的定義分別如下：

(10)

(11)

圖3 實體鏈接算法流程

4.2 實驗結果與分析

在抽取攻略數據中的游戲術語時，除了使用本文提出的方法抽取游戲術語外，還和n-gram語言模型進行對比。n-gram語言模型是一種基于統計的文本模型，在抽取術語領域中得到廣泛的研究。這種方法主要通過對語料庫的機器學習來獲得字與字相鄰出現的統計信息而進行分詞，它的一個明顯優點是可以切分出未登錄詞，也是一種新詞發現方法。它的切分詞的思想和本文提出的游戲領域詞匯發現算法類似，成詞標準都與上下文信息有關。最后，根據標注結果的準確率和召回率對本文方法和n-gram模型進行比較。

在游戲攻略標注的過程中，標注錯誤的情況如表1所示。

表1 標注錯誤的類型

對于未標注的攻略，發現大多為玩家心情類。例如，標題為“去年和你一起跑復活節的那個人，今年在哪里”的攻略，標題中并未包含游戲術語，因此本文對這類標題無法標注。對于這類文本的標注還有待研究。使用本文方法和n-gram模型(n取2或3)對4款游戲進行標注，得到的準確率和召回率如圖4所示。

通過圖4可以看出，在這4款游戲中，本文所提出的方法得到的準確率和召回率均大于n-gram方法。在這4款游戲中，使用本文方法得到的準確率平均為92.0%，平均召回率為87.1%；使用2-gram得到的平均準確率為57.8%，平均召回率為72.0%；使用3-gram得到的平均準確率為64.7%，平均召回率為67.0%。得出本文方法相比2-gram，平均準確率提高了34.2個百分點，平均召回率提高了15.1個百分點；本文方法相比3-gram，平均準確率提高了27.3個百分點，平均召回率提高了20.1個百分點。從數據分析可知，在抽取攻略中游戲術語時，本文所提出的方法相比n-gram語言模型更好。使用n-gram語言模型時，n的值一般取2或3。n過大，需要訓練更龐大的語料，并且數據稀疏嚴重；同時，伴隨著n的增大，采用該模型所帶來的計算量和計算復雜度將遠遠超過現有的計算機水平。有的游戲術語較長，當n取2或3，會將游戲術語分割成多個更細粒度的詞匯，鏈接時會引入有歧義的標簽。

圖4 不同游戲在不同詞匯抽取方法下的比較

通過統計這4款游戲的標注情況，具體如表2，可知每款游戲標注的攻略占總攻略數據的平均95%左右。對沒有標注的數據，統計發現4%左右的攻略標題中不包含游戲術語，從而可以驗證使用本文所提出的方法構建游戲領域知識庫覆蓋面廣，質量高。

表2 不同游戲的游戲攻略標注情況

5 結語

本文針對游戲攻略檢索需花費大量時間問題，對游戲攻略進行標注。每個游戲攻略的標簽為其所包含的游戲術語所對應的全稱。本文的主要優點為：針對游戲攻略中游戲術語的特點提出一種新的抽取游戲術語的抽取方法：游戲領域詞匯發現算法和決策樹分類模型。和n-gram語言模型進行對比，結果顯示本文方法在游戲術語抽取問題上的有效性，解決了在領域詞匯術語抽取工作上一直存在的抽取質量問題。數據集上的實驗結果表明，本文提出的方法達到較高的準確率和召回率。接下來計劃將攻略標簽用于攻略分類及攻略搜索系統的構建，并將本文方法應用于其他領域進行領域詞匯抽取，如計算機領域、醫療領域等。

References)

[1] 馬瑩瑩.對網絡游戲產業同質化現象的分析[J].科技和產業,2012,12(8):13-15.(MA Y Y.Analysis the online game industry homogenization phenomenon [J].Science Technology and Industry, 2012, 12(8): 13-15.)

[2] 王研,趙旭江.游戲設計中的用戶體驗影響探析注——以“英雄聯盟”為例[J].設計,2014(2):118-119.(WANG Y, ZHAO X J.The study on the influence of user experience in game design——an instance of “league of legends” [J].Design, 2014(2): 118-119.)

[3] 顧森.基于大規模語料的新詞發現算法[J].程序員,2012(7):54-57.(GU S.New word discovery algorithm based on large scale corpus [J].Programmer, 2012(7): 54-57.)

[4] LEHMANN J, ISELE R, JAKOB M, et al.DBpedia—a large-scale, multilingual knowledge base extracted from Wikipedia [J].Semantic Web, 2015, 6(2): 167-195.

[5] BOLLACKER K, EVANS C, PARITOSH P, et al.Freebase: a collaboratively created graph database for structuring human knowledge [C]// Proceedings of the 2008 ACM SIGMOD International Conference on Management of Data.New York: ACM, 2008: 1247-1250.

[6] RUAN T, LI Y, WANG H, et al.From queriability to informativity, assessing “quality in use” of DBpedia and YAGO [C]// Proceedings of the 2016 International Semantic Web Conference.Berlin: Springer, 2016: 52-68.

[7] JUSTESON J S, KATZ S M.Technical terminology: some linguistic properties and an algorithm for identification in text [J].Natural Language Engineering, 1995, 1(1): 9-27.

[8] VILARES J, ALONSO M A, VILARES M.Extraction of complex index terms in non-English IR: a shallow parsing based approach [J].Information Processing & Management, 2008, 44(4): 1517-1537.

[9] BLEI D M.Probabilistic topic models [J].Communications of the ACM, 2012, 55(4): 77-84.

[10] BOLSHAKOVA E, LOUKACHEVITCH N, NOKEL M.Topic models can improve domain term extraction [C]// Proceedings of the 2013 European Conference on Information Retrieval.Berlin: Springer, 2013: 684-687.

[11] 周浪,張亮,馮沖,等.基于詞頻分布變化統計的術語抽取方法[J].計算機科學,2009,36(5):177-180.(ZHOU L, ZHANG L, FENG C, et al.Terminology extraction based on statistical word frequency distribution variety [J].Computer Science, 2009, 36(5): 177-180.)

[12] GELBUKH A, SIDOROV G, LAVIN-VILLA E, et al.Automatic term extraction using log-likelihood based comparison with general reference corpus [C]// Proceedings of the 2010 International Conference on Application of Natural Language to Information Systems.Berlin: Springer, 2010: 248-255.

[13] 陳士超,郁濱.面向術語抽取的雙閾值互信息過濾方法[J].計算機應用,2011,31(4):1070-1073.(CHEN S C, YU B.Method of mutual information filtration with dual threshold for term extraction [J].Journal of Computer Applications, 2011, 31(4): 1070-1073.)

[14] 樊夢佳，段東圣，杜翠蘭，等.統計與規則相融合的領域術語抽取算法[J].計算機應用研究，2016,33(8):2283-2306.(FAN M J, DUAN D S, DU C L, et al.Domain-specific terms extraction algorithm based on combination of statistics and rules [J].Application Research of Computers, 2016, 33(8): 2283-2306.)

[15] BONIN F, DELL’ORLETTA F, VENTURI G, et al.A contrastive approach to multi-word term extraction from domain corpora [C]// Proceedings of the 7th International Conference on Language Resources and Evaluation.Malta: [s.n.], 2010: 19-21.

[16] ZHANG M, LI K, HU Y.A real-time classification method of power quality disturbances [J].Electric Power Systems Research, 2011, 81(2): 660-666.

This work is partially supported by the National Science Foundation of China (61402173), the Software and Integrated Circuit Industry Development Special Funds of Shanghai Economy and Information Technology Commission (140304).

CHEN Huanhuan, born in 1990, M.S.candidate.Her research interests include data mining, natural language processing.

CHEN Xiaohong, born in 1974.His research interests include big data, user behavior in virtual world.

RUAN Tong, born in 1973, Ph.D., professor.Her research interests include natural language processing, information extraction, data quality.

GAO Daqi, born in 1957, Ph.D., professor.His research interests include pattern recognition, machine learning.

WANG Haofen, born in 1982, Ph.D., lecturer.His research interests include knowledge graph, graph database, data mining.

Knowledge driven automatic annotating algorithm for game strategies

CHEN Huanhuan1*, CHEN Xiaohong2, RUAN Tong1, GAO Daqi1, WANG Haofen1

(1.DepartmentofComputerScienceandEngineering,EastChinaUniversityofScienceandTechnology,Shanghai200237,China;2.ShengquInformationTechnology(Shanghai)CompanyLimited,Shanghai201203,China)

To help users to quickly retrieve the interesting game strategies, a knowledge driven automatic annotating algorithm for game strategies was proposed.In the proposed algorithm, the game domain knowledge base was built automatically by fusing multiple sites that provide information for each game.By using the game domain vocabulary discovering algorithm and decision tree classification model, game terms of the game strategies were extracted.Since most terms existing in the strategies in the form of abbreviation, the game terms were finally linked to knowledge base to generate the full name semantic tags for them.The experimental results on many games show that the precision of the proposed game strategy annotating method is as high as 90%.Moreover, the game domain vocabulary discovering algorithm has a better result compared with then-gram language model.

game strategy; knowledge base; game term; semantic tag; decision tree

2016-08-18;

2016-09-06。

國家自然科學基金資助項目(61402173)；上海經信委“軟件集成電路產業發展專項資金”項目(140304)。

陳環環(1990—)，女，山東菏澤人，碩士研究生，主要研究方向：數據挖掘、自然語言處理； 陳小紅(1974—)，男，浙江永康人，主要研究方向：大數據、虛擬世界的用戶行為； 阮彤(1973—),女，江蘇揚州人，教授，博士，CCF會員，主要研究方向：自然語言處理、信息抽取、數據質量； 高大啟(1957—)，男，湖北宜昌人，教授，博士，主要研究方向：模式識別、機器學習； 王昊奮(1982—)，男，上海人，講師，博士，CCF會員，主要研究方向：知識圖譜、圖數據庫、數據挖掘。

1001-9081(2017)01-0278-06

10.11772/j.issn.1001-9081.2017.01.0278

TP391.1

A