一种Web的大规模人物社会关系提取方法(.docVIP

一种基于Web的大规模人物社会关系提取方法( 姚从磊，邸楠 （北京大学网络与分布式系统实验室，北京 100871） 摘 要：Web上的人物社会关系是一类重要的Web信息，如何高效准确地从Web上大规模提取人物社会关系信息，是本文研究的重点。本文提出了一种轻量级的大规模人物社会关系提取方法，并引入模拟退火方法，迭代发掘网页中蕴涵的表述人物社会关系的最小描述模式集合，利用Web信息冗余性，高效、准确地从Web上提取人物关系信息。为验证该方法的有效性，定义了六种人物社会关系，基于一大规模Web人名列表，对这六种关系进行提取。实验结果表明该方法的平均准确率为84.79%，平均召回率为81.69%。 关键词: 人物社会关系; 描述模式; 关系提取; 模拟退火; Web 中图分类号：TP391 引言 Web已经成为包含人类社会各种知识的信息库，其规模正在以指数级速度膨胀[1]。其中，人物社会关系信息是一类重要的信息。然而，现有的有哪些信誉好的足球投注网站引擎仅能返回与用户关心人物相关的网页，而与该人物有密切联系的关系人物的信息，用户只能花费大量的时间，阅读分析大量网页才能获得。 在基于Web的社会网络分析研究中，人物关系的定义是一个难点，没有很好的方法自动获取人物之间真实存在的社会关系（亲属、朋友等）。当前工作仅以人物在网页中的相对位置作为人物关系定义的标准，其结果具有一定局限性。若以Web中人物社会关系来定义社会网络，进行相关分析，相信会得到更好效果。 本文以从Web信息中自动提取人物社会关系为目标，提出一种基于Web的大规模人物社会关系提取方法。对每类人物社会关系，首先以描述该类关系的几个关键词出发，获得一具有此类关系的人物对集合；进而利用该集合进行迭代，结合模拟退火方法，从Web中挖掘出可充分描述此类关系的最小模式集合；在此基础上，利用该集合，对任一Web上出现的人物，高效、准确地提取出与之相关的关系人物，实现人物社会关系提取。 相关研究 人物社会关系提取属于实体关系提取的范畴，实体关系提取研究可分为两类，一类基于标注训练数据集，利用训练得到的模型进行实体关系提取[2,3,4]；另一类利用自举的方法，通过迭代发现描述实体关系的模式集合，利用其进行实体关系提取[5,6,7]。前一类方法局限于特定的训练数据集，扩展性不佳，无法应用到Web上的实体关系提取中；后者可充分利用Web信息海量的优势，从中发掘特定的模式集合，用于关系提取，但如何保证获得的模式集合以较高准确率和召回率进行关系提取，并保证较高效率，是需要深入研究的问题。 Referral Web[8,9] 是第一个在Web上进行人物发现的系统，其人物间关系由人名在网页中共现标识，关系的类型不够自然且过于粗糙。PHOLYNET[10]定义了四种科研人员间的简单关系，基于人工标注的训练集，利用C4.5训练得到分类器，根据任意两个人物相关网页的特征，对其关系进行分类；文中定义的关系面向一个较小的领域，利用人工训练的方法可以得到较好的结果，但若将其扩展到一个大的领域，比如朋友关系的提取，则不能适用。 本文提出的方法，与上述研究有三点不同：（1）不局限于一个狭窄领域的人物关系，而以人物社会关系为目标，并利用Web信息的冗余性，提取人物关系；（2）不依赖特定的训练集，面向海量的Web信息，首先挖掘与特定类别人物关系相关的描述模式集合，在保证高准确率和召回率的基础上，最小化该集合，继而对于确定的人物，利用其从Web中提取关系人物；（3）无需人工构造种子集合，而是以类别关系描述信息为输入，利用一大规模的Web人物列表，从海量Web信息中自动抽取该类别人物关系的人物关系对，作为迭代过程的输入。 人物社会关系提取 问题定义 定义1 人物社会关系：人物由于其特定的社会存在而产生的与其他人之间的关系。人物社会关系有很多种，例如父子关系、好友关系等。本文仅研究存在于两个人物之间的社会关系。一特定类别的人物社会关系由关系名称、关系特征、关键词列表组成，下例定义了一个人物-子女关系，PC=Person-Children, {1-N}, {儿子，女儿，孩子}，其名称为Person-Children，特征为1-N（表示一个家长可以有多个孩子），关键词为“儿子”、“女儿”和“孩子”。对于确定的关系，存在一个人物对集合，满足，其中表示和满足关系。 定义2：人物关系描述模式：文档中用来描述特定类别人物关系的文本段或文本段的集合。在一确定文档集中，对于确定的关系及对应的人物对集合，若存在一个人物关系描述模式集合，其中,均,对于或，则称为对应的人物描述模式，记为：。 基于上述定义，基于Web的人物社会关系提取问题可形式化为： 1. 确定一类人物社会关系； 2. 获取Web上对应的PatternSet , 使得，且对，；