Web旅游文化挖掘中的实体关系抽取及知识链接系统构建

摘要

随着社会的不断发展和工作压力的不断增加，旅游成为了人们释放压力和享受生活的一种方式。人们的文化程度越来越高，在观光旅游时不仅寻求美丽的自然景观，还期待着丰富的文化体验。Web中含有大量的文化旅游信息，包括自然景观介绍、名人趣事、景点相关诗歌、电影等等。如何从杂乱的、无结构的文本中识别和挖掘出游客们感兴趣的文化信息，丰富景点的文化内涵昵？利用信息抽取技术就可以提取到上述相关信息。本文从旅游文化挖掘的角度出发，对Web旅游信息文本进行命名实体识别和实体关系抽取，并将抽取的知识构建成关系网络（即知识图谱）。
　　命名实体识别主要有基于规则和机器学习两种方法。基于机器学习的方法虽然有很好的统计基础，但需要大量的人工标注语料，且特征的好坏直接影响到性能。基本上，要是能够设计制定出合适的规则，那基于规则的方法在效率和准确性方面，都会比基于机器学习的方法更好。本文的Web旅游信息文本数据句型单一，内容耦合度相对较高，且本文关注的5类实体均含有组合实体和泛指实体。但这5类实体在词、词性组合和依存关系路径上存在着共同点，如:动词只能作为修饰成分或者状语成分出现在实体中;实体首部和尾部大都为名词等等。因而，本文在对文本进行分句、分词、词性标注、依存句法分析和语义角色标注后，结合词、词性组合和依存句法结构提出了候选实体抽取算法，实验结果表明实体召回率能够达到96％。然后，用实体后缀词规则和机器学习的方法对实体进行分类剪枝，最终性能F值能够达到91％，基本上能够识别和分类出所有的实体。
　　通过分析Web旅游文本的句式特点，提出了最近句法依赖动词特征，并通过实验验证了其有效性。本文在命名实体识别的基础上，对数据进行二次处理，最后使用基于特征向量的机器学习方法进行关系抽取。同时，为了寻求最优特征，本文综合了以往研究中提出的词、句法和语义特征。本文一共进行了14组实验对比，探讨和分析了不同特征对关系抽取的影响，并找出了最适合Web旅游信息文本的特征。
　　为了更加丰富关系抽取的结果，本文设计了3条时间填充原则，为关系抽取的结果加入时间元组。将数据文本、实体、实体关系和景区包含关系构建成知识库，最终以文字、表和图形化的形式呈现出来，开发出了旅游文化知识链接系统。

目录

声明

摘要

1 绪论

1．1 研究背景及意义

1．2 国内外研究现状

1．2．1 旅游网站现状

1．2．2 命名实体识别研究现状

1．2．3 实体关系抽取研究现状

1．3 本文主要研究内容

1．4 论文结构安排

2 相关理论与技术简介

2．1 命名实体识别简介

2．2 实体关系抽取简介

2．3 SVM分类器

2．4 哈工大LTP系统

2．5 本章小结

3 基于词法和句法的旅游实体识别

3．1 引言

3．2 数据集构建

3．2．1 数据收集

3．2．2 数据预处理

3．2．3 人工标注

3．2．4 数据二次处理

3．3 基于词法和句法的旅游实体识别

3．3．1 旅游文本实体特征分析

3．3．2 候选实体提取

3．3．3 实体分类和剪枝

3．4 实验评测

3．4．1 评测指标

3．4．2 实验结果及分析

3．5 本章小结

4 实体关系抽取

4．1 引言

4．2 最近句法依赖动词特征

4．2．1 最近句法依赖动词特征简介

4．2．2 最近句法依赖动词特征提取

4．2．3 抽取效果的实验评测

4．3 实体关系抽取的实验结果及分析

4．3．1 词特征在实体关系抽取中的影响

4．3．2 句法特征在实体关系抽取中的影响

4．3．3 语义特征在实体关系抽取中的影响

4．4 本章小结

5 旅游文化知识链接系统构建

5．1 总体功能框架

5．1．1 时间数据处理

5．1．2 系统功麓模块

5．2 数据库设计

5．3 界面设计与部分功能展示

5．4 本章小结

6 总结与展望

6．1 工作总结

6．2 未来工作展望

参考文献

攻读硕士学位期间科研成果

致谢