基于树核函数的人物关系抽取研究市公开课一等奖百校联赛特等奖课件.pptx

基于树核函数人物关系抽取研究彭成 钱龙华 周国栋汇报人：彭成苏州大学自然语言处理试验室http:/ Web.Mika():Flink.基于机器学习方法：基于机器学习方法：Matsuo等():基于决议树C4.5分类器。姚从磊等():基于模拟退火算法。Jing等():基于命名实体识别、关系检测、事件检测。Elson 等():基于角色名称识别和对话检测。Agarwal等():基于社会交互事件检测。第4页研究动机n存在问题：当前针对人物关系抽取研究普通只包括特定领域或是依赖于大规模网页共现关系。通常情况下，人物关系类型比较单一。n现有条件：伴随基于核函数广泛采取，实体关系抽取技术得到快速发展并日臻成熟。n能否利用树核函数从新闻领域文本中抽取丰富人物关系？怎样提升其抽取性能？第5页人物关系抽取方法人物关系定义人物关系定义静态人物关系：ACE语料原有定义PER-SOC关系（Business,Family,Lasting-Personal）。动态人物关系：重新定义ACECONTACT事件（Meet,Phone-Write）为交互关系。基于树核函数人物关系抽取方法基于树核函数人物关系抽取方法结构化信息结构同义词词林语义信息融合重采样技术应用第6页结构化信息结构删除实体并列结构删除实体并列结构（RMV_ENTITY_CC）当连接两个实体节点路径中出现并列结构时，能够删除其中一个并列部分。删除删除NP并列结构（并列结构（RMV_NP_CC_NP）当连接两个NP节点路径中出现并列结构时，保留最短路径所经过那个并列部分。恢复右侧动词（恢复右侧动词（EXT_RIGHT_VERB）扩展第二个实体到最低公共节点之间出现动词短语结构。第7页结构化信息结构（续）第8页语义信息融合n语义信息对实体间语义关系抽取含有主要指导作用，我们在句法树中加入了两个实体词汇在同义词词林语义编码信息。第9页重采样技术应用第10页试验试验设置试验设置人物关系语料库包含关系正例880个，关系负例18599个。人物关系类型主要为PER-SOC类和CONTACT类。本文试验采取五倍交叉验证策略。选择SVM作为分类器，采取开源工具为支持卷积树核函数SVMLight TK工具包。评定标准采取惯用准确率（P），召回率（R）和F1指标（F1）。本文采取近似随机技术进行显著性测试，并分别使用双下划线、单下划线和无下划线表示 p0.01、0.01p0.05和p0.05，即差异非常显著、显著和不显著。第11页试验结果裁剪特征影响裁剪规则PER-SOCContactTotalPRF1PRF1PRF1SPT(baseline)80.738.952.375.810.518.478.831.845.3+RMV_ENTITY_CC80.939.552.979.611.519.979.932.546.1(80.9)(39.5)(52.9)(79.6)(11.5)(19.9)(79.9)(32.5)(46.1)+RMV_NP_CC_NP82.439.853.581.718.229.681.634.348.3(81.5)(38.4)(52.0)(83.3)(21.0)(33.5)(81.3)(34.0)(47.8)+EXT_RIGHT_VERB81.839.653.381.221.533.981.035.048.8(80.9)(38.3)(52.8)(62.0)(11.0)(18.6)(75.9)(32.6)(45.5)结论：1.三种裁剪策略对总体性能提升显著。2.Contact类型F1值显著低于PER-SOC类型，同时，其性能提升幅度大于PER-SOC类型。第12页试验结果语义信息影响词林类别PER-SOCContactTotalPRF1PRF1PRF1SPT-OPT(baseline)81.839.653.381.221.533.981.035.048.8SPT-OPT+CL_B81.938.151.881.823.536.281.234.348.1SPT-OPT+CL_M78.741.654.379.422.534.978.236.749.9SPT-OPT+CL_S81.441.054.481.122.935.680.536.450.1SPT-OPT+CL_WG81.942.755.982.423.536.481.337.751.4SPT-OPT+CL_AWG81.542.956.381.724.437.581.538.151.8结论：1.伴随语义信息颗粒度逐步提升，F1总体性能不停增加。2.F1值提升均起源于召回率大幅提升。第13页试验结果重采样技术影响POS:NEGPER-SOCContactTotalPRF1PRF1PRF11:127.967.439.528.252.636.628.863.339.51:241.859.048.839.446.442.641.455.447.41:349.656.752.848.244.045.949.253.251.11:457.053.154.858.442.148.957.250.153.31:561.851.555.954.638.244.759.848.053.11:663.550.556.161.037.346.262.646.953.51:767.749.056.765.832.043.066.744.553.31:872.447.957.568.431.743.370.744.254.41:971.646.456.266.832.043.270.041.752.41:1071.946.756.568.527.338.970.741.752.41:1174.245.956.670.429.741.572.741.652.81:12(baseline)81.542.956.381.724.437.581.538.151.8欠采样对人物关系抽取影响第14页试验结果重采样技术影响过采样对人物关系抽取影响POS:NEGPER-SOCContactTotalPRF1PRF1PRF11:12(baseline)81.542.956.381.724.437.581.538.151.82:1278.643.255.571.029.741.876.339.852.23:1277.945.357.272.034.046.175.842.354.34:1275.046.156.964.836.346.472.143.654.25:1274.646.156.865.936.346.871.943.554.16:1274.746.557.264.035.945.871.743.854.37:1274.846.557.264.435.946.371.943.854.48:1274.846.857.764.636.846.871.944.354.79:1274.746.857.764.636.846.871.944.354.710:1274.746.857.764.636.846.871.944.354.711:1274.746.857.764.636.846.871.944.354.712:1274.746.857.764.636.846.871.944.354.7结论：1.欠采样和过采样性能基本上都高于完全样本训练时F1值。2.过采样性能普遍高于欠采样，且在一定百分比范围内维持基本不变。3.不论对于欠采样还是过采样，Contact类性能提升显著高于PER-SOC类。第15页下一步工作本文提出了一个基于树核人物关系抽取方法。该方法同时使用了结构化信息裁剪、词林语义信息、重采样技术等策略。今后工作：利用搜索引擎构建一个大规模人物关系语料库，在提升汉字句法分析性能基础上，生成更准确和简练人物关系结构化信息，从而深入提升人物关系抽取性能。第16页Thanks!Questions?第17页