基于弱监督和半自动方法的中文关系抽取数据集构建

《基于弱监督和半自动方法的中文关系抽取数据集构建》由会员上传分享，免费在线阅读，更多相关内容在工程资料-天天文库。

1、基于弱监督和半自动方法的中文关系抽取数据集构建马超义徐蔚然北京邮电大学信息与通信工程学院摘要：关系抽取是信息抽取屮的一项基础任务，对信息检索、问答系统、知识图谱等有非常重要的意义。现有的关系抽取数据集存在包含类别太少、句子标注困难、不易扩展等缺陷，且只有英文数据集，不能很好地解决中文关系抽取任务。该文采用弱监督和半自动的方法，构建了一份中文关系抽取数据集，弥补了上述不足。首先借助维基百科抽取出丰富的关系对，从百度搜索返冋结果及搜狗新闻语料屮抽取包含实体对的句子，完成弱监督句子抽取过程。将句子放入RNN关系抽取系统进行打分，选取标注价值高的句子提交人工标注，对标注结果进行处理，最终得到中文关系

2、抽取数据集。关键词：关系抽取;数据集;弱监督;半自动;作者简介：马超义（1991—）,通信作者，硕士研究生，主要研究领域为自然语言处理和信息抽取。E-mail:machaoyi@bupt.edu.cn作者简介：徐蔚然（1975—）,副教授，博士，研究生导师，主要研究领域为信息抽取、知识图谱等。E-mail:xuweiran@bupt.edu.cn收稿日期：2016-08-16基金：教育部博士点学科专项科研基金（20130005110004）Semi-automaticConstructionofChineseRelationExtractionDataSetBasedonaWeaklySup

3、ervisedMethodMAChaoyiXUWeiranSchoolofInformationandCommunicationEngineering,BeijingUniversityofPostsandTelecommunications;Abstract：Therelationextractionisafundamentaltaskininformationextraction,withpracticalsignificanoeininfonnationretrieval,questionansweringsystemandknowlcdgcmapping，ctc.Theexistin

4、grclationcxtra’ctiondatasetareforEnglish,containingverylimitedcategoriesandneglectingsentencelevelannotations.ThispaperconstructsaChineserelationextractiondatasetusingaweaklysupervisedandsemi-automaticmethod.TtfirstlyextractsalargeamountofrelationpairsfromWikipedia,thenextractssentencesthatcontains

5、entitypairsfromthecorpusofSougouNewsandBaidu.Thustheweaklysupervisedsentenceextractingiscompleted.ThesesentencesarethenscoredinanRNN-basedrelationextractionsystem,selectingsentenceswithhigherscoreformanualannotation.FinallytheChineserelationextractiondeiteisetiscompletedaftermanualannotation.Keywor

6、d：relationextraction;dataset;weeklysupervised;semi-dutoniatic;Received：2016-08-161引言随着互联网技术的发展，网络日益成为人们生活中不可缺少的一部分。信息抽取能够帮助人们在海量的信息中快速定位到自己真正需要的信息，它是一个以自由文木作为输入，产牛固定格式的、无歧义的输出数据的过程。关系抽取是信息抽取的一项重要子任务，是指利用包含一对命名实体的自然语言文本來确定两者Z间的关系。对信息抽取技术的研究和应用有重要意义，对信息检索、问答系统、信息过滤、机器翻译等有非常积极的意义。比如，在搜索服务中，用户想要知道某明星的岀

7、生日期，而网络搜索通常只返回包含用户搜索词的页面，无法洞悉用户的需求进而肓接返回答案。而关系抽取的目的正是希望通过对网络屮各类自由文本的解析，返回最有可能的结果作为答案。实体关系抽取的方法，主要有基于知识工程的方法和基于机器学习的方法。基于知识工程的方法依赖于专家构建的知识库，花费大量的人力和时间，并且系统移植困难，所以基于机器学习的方法成为目前的主流。机器学习方法效果的好坏很大程度上依赖于训练数据集的质量。