關(guān)于維基百科中的實(shí)體類(lèi)別推斷方法的研究.pdf

1、近年來(lái)，基于維基百科的知識(shí)庫(kù)構(gòu)建得到人們的大量關(guān)注，維基百科中各種不同的語(yǔ)義信息被挖掘出來(lái)，而其中最重要的語(yǔ)義信息之一就是實(shí)體類(lèi)別(Type)信息。目前在維基百科中推斷實(shí)體類(lèi)別的數(shù)據(jù)源主要分為兩種:一種是從維基百科半結(jié)構(gòu)化數(shù)據(jù)，如信息框(Infobox)和文章分類(lèi)(Category)中推斷實(shí)體類(lèi)別;另一種是在維基百科文章摘要部分進(jìn)行實(shí)體類(lèi)別推斷。但是現(xiàn)有工作未考慮維基百科中大規(guī)模的文章正文，而其中恰恰隱含了大量的實(shí)體類(lèi)別信息。為了進(jìn)一步

2、補(bǔ)充現(xiàn)有知識(shí)庫(kù)中的實(shí)體類(lèi)別信息，本文旨在從維基百科中的全部文本數(shù)據(jù)（文章摘要+正文）中進(jìn)行實(shí)體類(lèi)別推斷。目前，基于文本的實(shí)體類(lèi)別推斷在自然語(yǔ)言處理領(lǐng)域存在一些相關(guān)研究，但這些方法存在如下問(wèn)題:1）通過(guò)統(tǒng)計(jì)機(jī)器學(xué)習(xí)方法進(jìn)行實(shí)體類(lèi)別推斷的方法需要大量訓(xùn)練數(shù)據(jù)，而現(xiàn)有獲取的訓(xùn)練數(shù)據(jù)中存在大量噪聲，2）嚴(yán)重依賴(lài)于人工定義的特征或者規(guī)則，3）無(wú)法說(shuō)明為什么實(shí)體被推斷為某個(gè)類(lèi)別，即不具備可解釋性。因此，研究如何在克服以上問(wèn)題的基礎(chǔ)上有效地在維基百科

3、全部文本中進(jìn)行實(shí)體類(lèi)別推斷是一個(gè)值得研究的課題。本文提出了一個(gè)從維基百科文本獲得訓(xùn)練數(shù)據(jù)的方法，基于這些訓(xùn)練數(shù)據(jù)構(gòu)造了一個(gè)圖模型，從中抽取出用于實(shí)體類(lèi)別推斷的模式。該模式抽取方法不依賴(lài)于人工定義的特征，同時(shí)用于實(shí)體類(lèi)別推斷的模式具有可解釋性。
　　具體而言，本文的主要貢獻(xiàn)有以下三點(diǎn)內(nèi)容:
　　1)本文提出了一種通過(guò)啟發(fā)式規(guī)則與隨機(jī)游走獲取訓(xùn)練數(shù)據(jù)的方法。相比之下，目前一些從維基百科獲取訓(xùn)練數(shù)據(jù)的方法會(huì)造成大量噪聲，對(duì)實(shí)驗(yàn)結(jié)果

4、產(chǎn)生不良影響。
　　2)本文提出了一種基于維基百科訓(xùn)練數(shù)據(jù)的細(xì)粒度實(shí)體類(lèi)別推斷方法。本文構(gòu)建一個(gè)基于詞嵌入的圖模型，通過(guò)Bootstrapping算法從中抽取出用于實(shí)體類(lèi)別推斷的模式。然后嘗試將實(shí)體所在的上下文與這些模式進(jìn)行匹配，如能夠匹配某一模式，則句子中的實(shí)體將被推斷為模式對(duì)應(yīng)的類(lèi)別，同時(shí)模式可作為推斷得到的實(shí)體類(lèi)別的解釋。實(shí)驗(yàn)結(jié)果表明，本文方法在不同的數(shù)據(jù)集上均優(yōu)于現(xiàn)有的基于文本的實(shí)體類(lèi)別推斷方法。
　　3)本文提出的