[发明专利]一种非结构化数据中的特定实体关系的提取方法

说明书

一种非结构化数据中的特定实体关系的提取方法，所述方法首先限定实体关系类型，然后从语料文本中筛选出仅包含该关系类型的语料，并只对特征窗口中的语料进行特征识别、组合和提取，同时对实体对进行关系标记，得到实体对的上下文特征以及实体对所包含关系的标记，之后对该标记数据进行学习，得到判断模型，并通过模型准确度的计算，将特征窗口的大小调整到最优，最后利用判断模型从非结构化文本中提取某一特定类型关系的实体对。本发明只对特定关系类型的数据进行提取，并选择最适合该关系提取的特征集和最适合该关系提取的窗口大小。该方法避免了多种关系混合提取时的相互干扰，可提高关系提取的准确度，有效降低计算复杂度和人工标注的工作量。

技术领域

本发明涉及一种在非结构化数据中提取特定实体关系的方法，属于数据处理技术领域。

背景技术

随着信息技术的发展和互联网的普及，人、机构、事件等实体之间的关系以及实体及其诸如电话、地址等属性之间的关系变得越来越紧密和复杂，如何从海量的非结构化数据中快速准确地提取实体之间的某些关系，对于构建实体之间的关系网络，挖掘实体的关系强度与类型，研究实体之间的联系都有着重要的意义。

目前，从非结构化数据中提取实体之间关系的方法主要有监督的学习方法、半监督的学习方法和无监督的学习方法等三种。

有监督的学习方法需要专家手工在文本中标记出包含特定关系的实体及其关系，然后根据实体所在文本拥有的特征，将关系提取当作分类问题，使用诸如支持向量机、逻辑回归、深度学习等方法进行分类。该方法存在的缺点是需要大量的语料及人工标注。

半监督的学习方法首先使用人工生成若干种子实例，然后在语料中通过查询种子实例来抽取该关系对应的模板，再使用该模板匹配更多的实例，这样迭代地对模板进行优化和补充，以抽取更多的实例。该方法的缺点是准确度不如有监督的学习方法，而且需要一定的人工参与。

无监督的学习方法根据实体对的上下文进行聚类，将拥有某种特定关系的实体对聚为一类。该方法的缺点是准确性较差并且不能确定关系类型。

总之，现有的方法或者提取准确度低，或者计算复杂度高、人工标注的工作量大，因此有必要加以改进。

发明内容

本发明的目的在于针对现有技术之弊端，提供一种非结构化数据中的特定实体关系的提取方法，以提高实体关系提取的准确度，降低计算复杂度和人工标注的工作量。

本发明所述问题是以下述技术方案实现的：

一种非结构化数据中的特定实体关系的提取方法，所述方法首先限定实体关系类型，然后从语料文本中筛选出仅包含该关系类型的语料，并只对一定大小的特征窗口中的语料进行特征识别、组合和提取，同时对实体对进行关系标记，得到实体对的上下文特征以及实体对所包含关系的标记，之后对该标记数据进行学习，得到判断模型，并通过模型准确度的计算，将特征窗口的大小调整到最优，最后利用判断模型从非结构化文本中提取某一特定类型关系的实体对。

上述非结构化数据中的特定实体关系的提取方法，所述方法包括以下步骤：步骤A、数据预处理

具体过程为：

A1.设定实体对的类型，也即设定实体对中第一实体类型E₁和第二实体类型E₂；设定实体对中两实体关系类型r；

A2.收集语料，从互联网上或文档库中获取若干条文本；

A3.语料预标识，首先对每一条语料文本进行句子分割、分词(中文)/词干化(英文)，标识每个词在文本中的位置，即每个词在文本中的顺序数，然后对其进行命名实体标注；

A4.筛选语料，从语料中筛选出那些同时包含属于第一实体类型E₁的实体和属于第二实体类型E₂的实体的语料；