[发明专利]一种中医针灸领域事件触发词的自动抽取方法及系统

说明书

技术领域

本发明涉及一种中医(即中文医学)针灸领域信息抽取方法及工具，特别涉及一种中医针灸领域事件触发词的抽取方法和系统。

背景技术

事件抽取^[1-^2]是层次较高的信息抽取研究任务，其目的是从海量数据文本中自动地识别出人们感兴趣的事件信息，并将这些信息转换为结构化数据呈现出来。事件触发词识别即是事件类别的识别，在事件抽取任务中起着关键的作用。主流的事件触发词抽取方法主要有三种：基于规则的方法^[3-^5]、基于词典匹配的方法^[6-8]和基于机器学习的方法^[9-12]。

基于规则的方法根据所处理语料的语言特征和领域特征事先定义好一组泛化的规则，利用规则匹配来抽取触发词。比如，文献[3]中用词干处理后的规则来抽取文本中的生物医学事件触发词。基于规则的触发词识别模型非常依赖于人工编写规则的覆盖率，规则覆盖不到的触发词识别不到，该类模型有较高的准确率，但是召回率较低，可移植性较差。

基于词典匹配的方法是指利用训练语料中人工标注的触发词建立触发词字典，通过该字典判断其他词语是否为触发词。比如，文献[6]中抽取训练语料中所有的触发词，建立初始的触发词字典；采用同义词词林扩展该字典，构建一个较完整的触发词字典；利用此字典判断候选触发词集中的词语是否为事件触发词。该方法是一种典型的经验方法，有较高的召回率，但准确率较低，且要求训练语料规模足够大、足够经典。

基于机器学习的方法把触发词识别任务看作是分类问题或序列标注问题，应用大量的特征和标注数据，建立统计机器学习模型，实现对样本实例的确定。比如，文献[9]中利用二值分类器判别句子中的词是否为触发词，若是，则使用多元分类器对其分类，获得事件类型；文献[10]中采用词汇及其上下文特征、短语标记特征、词聚类特征以及统计的词典特征构造不同的基于词级的CRF模型，用于生物事件触发词的标注。机器学习方法比较客观，且不需要太多的人工干预和领域知识，但要求训练语料和测试语料必须满足一定的规模才能保证识别结果的精确率。

近年来，国内外学者针对英文生物医学事件以及中文通用领域事件的抽取进行了研究和实验，取得了一些有价值的研究成果。如：TranM V等[13]在CG(Cancer Genetics)语料库中研究生物医学事件抽取；Zheng Chen等[14]在ACE标注语料库中研究中文通用领域事件抽取。然而，由于中文的语言特征以及在中医针灸领域文本中频繁出现的单字词和成语，如：“灸”、“刺”、“抗”、“疏肝理气”、“通经活络”等，阻碍了英文生物医学领域、中文通用领域已经取得的事件抽取技术研究成果在中医针灸领域事件抽取中的应用。迄今为止，尚无中医针灸领域事件信息抽取系统面世，中医针灸领域事件抽取技术方面的相关研究论文也罕见报道。中医针灸蕴含着中华民族特有的精神、思维和文化精华，涵纳着大量的实践观察、知识体系和技术技艺，凝聚着中华民族强大的生命力与创造力，是中华民族智慧的结晶，也是全人类文明的瑰宝。随着中医针灸领域文献的快速增长，迫切需要一种有效的工具来高效地利用这些文献中所蕴含的知识。

术语解释：

(1)中医针灸事件：在中医针灸领域文本中，明确出现了与针灸治疗或保健事实相关的文字表述的句子称之为中医针灸事件表述语句或中医针灸事件。中医针灸事件包括中医针灸事件触发词和中医针灸事件元素。在中医针灸事件中，最能清晰表达中医针灸治疗或保健事实发生的词语称之为中医针灸事件触发词。中医针灸事件可以有多个事件元素，它们是满足特定角色的中医针灸领域命名实体。本发明中定义的2类中医针灸事件如下：

①保健事件：指句子中出现了与中医针灸保健事实相关的文字表述。保健事件触发词是该类事件表述语句中指标性的词语，保健事件中可以出现的7类事件元素包括：药物元素Drug-Arg、中医施术方法元素Method-Arg、穴位元素Acupoint-Arg、工具元素Instrument-Arg、时间元素Time-Arg、健康元素Health-Arg和疾病元素Disease-Arg。