[发明专利]一种基于中文句法结构的关系挖掘方法

说明书

技术领域

本发明涉及知识库的构建、网络资源的获取、自然语言处理技术（分词、实体识别、句法解析等）领域，具体地说是一种基于中文句法结构的关系挖掘方法。

背景技术

当今时代是一个信息化时代，海量数据使人们面临快速准确地选择相关数据的难题，在这种情况下信息抽取技术出现了。而在信息抽取中关系抽取也称关系挖掘是最受重视的一个领域。

关系挖掘是指从文本中找出多个实体和能够表示这些实体之间的关系的过程。根据所挖掘的关系类型的不同，关系挖掘可以分为两个主要类别。第一类，针对特定关系类型（如夫妻、总部）进行的挖掘。这类挖掘方法的好处是准确率和召回率高，但是由于在实际情况下总会存在一些关系类型是没有包含在预定义的关系集合中的，因此该类方法不具有良好的拓展性和移植性。第二类，开放的关系挖掘方法。这类方法不对关系的具体类型作任何限制而仅仅定义关系的表现形式。例如：将关系关键词定义为动词，就可以从句子中挖掘出以动词表现出来的关系；当然也可以将关系关键词定义为名词，这样就可以挖掘出以名词为关键词的关系。由于开放式关系挖掘方法中并没有预定义关系种类，可以从不同类型的数据集中找到更多的关系类型和关系元组实例,所以既可以应用于封闭数据集，又可以应用于网络环境中，具有良好的移植性。

但是简单地把关系关键词定义为动词或者名词都只能找到动词或者名词的关系，应用具有一定的局限性。所以把关系关键词定义为简单的词性组合是不合适的，尤其是对于复杂的中文结构而言。通过对中文语法的观察和统计，发现中文中存在一些典型的句法结构，并且这些句法结构和实体关系之间存在映射。

发明内容

本发明的目的是针对现有挖掘技术存在的不足而提供的一种基于中文句法结构的关系挖掘方法。该方法不需要大量的训练集，降低了对训练集的依赖性，并且在挖掘过程中使用语法解析提高了准确率，同时减少了“无信息”关系元组的出现。

实现本发明目的的具体技术方案是：

一种基于中文句法结构的关系挖掘方法，该方法包括以下具体步骤：

a、选取种子元组集合；

b、获取种子元组在中文句法上的表现形式，具体包括：

ⅰ）获取种子元组所在的共现句；

ⅱ）把元组共现句交给句法解析器进行句法解析；

ⅲ）根据句法解析结果得到种子元组在中文句法上的表现形式；

c、根据步骤b中ⅲ）的表现形式获取关系挖掘模板，具体包括：

ⅰ）获取种子元组在句子结构上的所有链接路径；

ⅱ）从所有链接路径中找出最短路径；

ⅲ）把最短链接路径作为关系挖掘模板，用于关系挖掘过程；

d、把得到的关系挖掘模板用于挖掘，得到新的关系元组，具体包括：

ⅰ）获取待挖掘的语料集；

ⅱ）对语料集中的句子进行分词、实体识别的自然语言处理；

ⅲ）过滤掉包含实体数小于2的句子，只保留包含2个和2个以上实体的句子；

ⅳ）对保留下的句子进行中文句法解析；

ⅴ）根据已得到的关系挖掘模板和句子的中文句法解析结果，得到新的关系元组（如果存在的话）；

e、对新的关系元组进行“准确化”，获取更精确的关系元组，具体包括：

ⅰ）如果关系关键词是动词，则以该动词为核心进行动词关键词“准确化”；

ⅱ）如果关系关键词是名词，则以该名词为核心进行名词关键词“准确化”。

所述的种子元组包括实体对和关系关键词。

所述的关系元组具有和种子元组相同的结构即包含实体对和关系关键词。

根据本发明的方法，用户需要获取一个种子元组集合，用来训练；然后利用种子元组获得关系挖掘模板；最后利用挖掘模板对待挖掘语料库进行新关系元组的挖掘并进行“准确化”。这样就得到了根据中文句法结构进行关系挖掘的目的了。

本发明利用了一些自然语言处理中常用的技术（分词、命名实体识别），同时还使用了句法解析器来对中文句子进行句法解析。这些技术相对于其他更深层次的处理技术，需要的时间和空间更少，更易于处理。

本发明能够利用中文句法结构得到关系挖掘模板；能够利用关系挖掘模板进行关系挖掘，得到关系元组；能够对关系元组进行“准确化”。本发明不依赖于深层次的语言处理技术，也不限制关系关键词的具体表现形式，从而具有更为广泛的应用范围。

附图说明

图1为本发明流程图；

图2为本发明获取挖掘模板的流程图；

图3为本发明新关系元祖挖掘流程图；