论文理解8

《开放域命名实体识别及其层次化类别获取》 博士论文 付瑞吉 2014.7 哈工大

• 1. 第四章 基于多信息源的开放域命名实体类别获取
  • 1) 本章提出了一种为汉语开放式实体获取类别的方法。首先从网页搜索（百度）、在线百科（百度百科和互动百科）、实体核心词三大来源获取实体类别候选（也就是上位词），然后使用传统模型对候选词排序，（人工构造了一些排序特征：类别先验概率、在搜索结果标题中出现的情况、同义词、偏旁部首等），得到排序的类别列表。
  • 2) 语料：
    • 训练集自动构建：从百度百科抽取实体，然后从多信息源获取类别候选，再根据规则（类别来源越多越可能正确、类别先验概率越高越可能正确等）进行排序，首位的为正例，末位的为负例，得到训练集。
    • 测试集人工构建：从多领域选取实体词，从多信息源获取类别候选并人工判断。
• 2. 第五章 基于词汇分布表示的开放域命名实体类别层次化
  • 1) 本章提出了一个基于词汇分布表示的命名实体类别层次化的新方法。主要做法是基于聚类的分段映射的方法（线性矩阵）来进行上下位关系分类。
  • 2) 语料：
    • 训练集：通过同义词林抽取上下位关系词对，分为两类：直接上下位和间接上下位，并在后面的实验中分别对其聚类。
    • 测试集人工构建：先随机抽取了418个命名实体，基于第四章的方法获取上下位词列表，两两配对得到关系候选集（当然里面有很多非上下位关系），人工标注得到测试集。
  • 3) 其他：《大词林》是基于同义词林的骨架，用第四、五章的方法，不断将这些命名实体分类标识，添加到《大词林》中。