中文命名实体识别及关系提取.pptVIP

如何匹配上下文在没有标注语料的情况下，采用了自定义规则，因为从训练语料来看，新闻题材中需要上下文匹配的情况较少，而且特点比较一致。匹配的上下文形式化： 作用方向：是NS在前，NT在后，还是反之。 作用域：0：一个句子，不可有其他实体打断 1：NS之后全文（新华社北京讯） 2：NS之前全文（记者北京报道） 上文，中间，下文：正则表达式，上下文只用一个窗口，中间的文字去掉无用词，只保留名词和动词。分词本身有错误率，所以降低了识别率。中文命名实体识别及关系提取*********语料：人民日报1998年版01主要方法：根据训练预料，利用CRF进行机器学习02中文命名实体识别中文命名实体识别标注集1：由字构词将{ns,nr,nt}三种实体类型，和分词中的词位信息{B,B1,B2,M,E,S}做组合，其它字标记为OExample:12中文命名实体识别词缀标记PSsur：人名的姓，比如“王”PSsuf：人名的后缀，比如“先生”Lsuf：地名的后缀，比如“省”，“特区”，“地区”Osuf：组织名的后缀，比如“委员会”，“公司”原因：中文偏正关系为什么将词缀放到机器学习的标记中而不是用于结果修正？后缀容易识别，但是向前匹配的位置难于确定，比如“上海IBM研究院”。w[-1,0]:前一个字w[0,0]w[1,0]w[-1,0]/w[0,0]:前面一个字和当前字的组合w[0,0]/w[1,0],w[-1,0]/w[1,0]字的特征识别：w[-1,1]:前一个字的词缀w[0,1],w[1,1],w[0,1]/w[1,1]/w[2,1]词缀特征识别：0102训练模板测试结果测试方法： 将训练集拆分，80%用于训练，20%用于测试(200篇左右)测试结果： RecallPrecisionF-scoreNR81.6%961/117892.6%884/96186.7%NS84.4%1362/161388.8%1190/136286.6%NT85.2%538/63190.7%483/53887.9%校正考虑到没有充分利用分词结果Error:{张牙舞/nr}爪===》利用分词结果可以校正校正方法：如果命名实体不是由完整的几个词组成的，判错校正结果：RecallPrecisionF-scoreNR79.3%935/117895.5%891/93586.7%NS82.5%1331/161389.8%1180/133186.0%NT85.1%537/63191.2%485/53788.0%一些问题为什么没有在标记集中加入分词信息的一列 Example:江PSsurBBnr-B 泽UN B1nr-B1 民UN Enr-E 主PSsufBO 席PSsufEO 1）训练时间过长，内存消耗过大。如果训练在可接受的时间内，增大训练语料比多增加分词信息有效得多。 2）分词和命名实体标注可以映射为一列，没必要增加一个维度。比如主PSsufO-B。实验数据显示，性能没有任何变化。从训练语料中抽取所有的命名实体，然后计算频率，然后抽取所有词的后缀，然后计算频率，取频率高的。手动检查是否添加了无用的后缀，比如“上海市”在训练语料出现很多次，提取后缀会出现“海市”为一个高频率后缀，这些需要特殊处理。12如何获得词缀信息其它问题为什么没有引入词性信息？ 1）一般的词性标注的准确率在90%左右，而且人民日报语料的标注词性比较多，有40+种，准确率要比90%低一些。 2）命名实体的准确率在90%以上，已经比词性标注要高了。 3）对于命名实体的Recall提升的话，词性标注没有明显的帮助办法，换句话说词性对于判错还有些用，但是对于Recall只会降低。 AnyOtherQuentions？？？关系识别Located-in关系： 穷举任意两个在一篇文章中出现的命名实体，然后判断他们是否是Located-in关系。判断标准： 1）如果一个地点实体（NS）是一个组织（NT）的模糊前缀。比如“上海市”“上海大白兔有限公司” 2）一个地点后紧接着一个组织，“上海市”的大白兔有限公司 3)在上下文中有关键词匹配成功 4）NT中内含NS，“上海市闵行区派出所”关于提取地点的核心词如果一个地点只有一个词，那么去掉它的可以忽略的后缀，所有可以忽略的后缀以字