[发明专利]一种中国古典园林信息抽取方法

说明书

本发明提供一种中国古典园林信息抽取方法，包括如下步骤：1、根据输入计算得出字向量嵌入序列；2、对该序列进行Bi‑LSTM编码，即双向长短期记忆编码；3、执行状态转换，先判断若状态到达终态，则已抽取完实体和关系信息，结束，否则，根据概率计算，进入下一步；4、选择一种实体抽取状态转换动作，或者选择一种关系抽取状态转换动作；5、执行完毕后均返回第3步，最终得出抽取到的实体和关系。本发明的技术方案主要有下列技术优点：1、首次提出针对中国古典园林领域知识的信息抽取算法；2、提高信息的利用率和执行效率；3、可广泛适用于全国古典园林。

技术领域

本发明涉及处理自然语言数据和信息检索及其数据库结构技术领域，尤其涉及一种中国古典园林信息抽取方法。

背景技术

中国古典园林以其精湛的造园技艺和深厚的文化内涵享誉世界，是中国传统文化的重要组成部分。对其进行保护与传承的有效手段，是应用现代信息技术实现数字化。实现数字化的一个重要基础是实现有关数据在计算机中的信息存储。在计算机中存储大量的园林历史档案、视频、图片、文字材料等数据，面临最大的挑战，是如何组织海量的非结构化数据，以利于实现高效的信息检索。目前最能支持高效信息检索的数据存储技术当属知识图谱。知识图谱(Knowledge Graph，KG)用图结构存储知识，通过描述真实世界中存在的各种实体或概念及其关系，构成一张巨大的语义网络图，图中节点表示实体或概念，边则由属性或关系构成。知识图谱通常用三元组表示，三元组的基本形式主要包括(实体1-关系-实体2)和(实体-属性-属性值)等。

现有著名的知识图谱有谷歌、微软、百度、搜狗等公司建立的知识图谱，以及开放的中文知识图谱(OpenKG)等，它们都存储了上亿数量级的实体个数。中国科学院自动化研究所在CASIA-KB项目中，通过抽取百度百科和互动百科，构建了中国旅游景点中文知识图谱，该图谱可用于地理、生活、娱乐等应用。南京大学在Clinga项目中，以中文维基百科为数据源，手工构建了一个新的地理本体，对各种自然地理和人文地理实体进行分类，并自动与现有知识库进行链接，所得到的中文地理知识图谱现包含50多万个中文地理实体，并可公开访问。

但是，经检索发现，现有知识图谱均不包含中国古典园林的系统知识。必须自行构建中国古典园林知识图谱。

构建知识图谱的核心是信息抽取。现有很多工具可以从结构化数据、半结构化数据和非结构化数据中抽取信息获取知识。

D2RQ是一个将关系数据库转换为虚拟RDF数据库的工具，包括D2R Server、D2RQEngine和D2RQ Mapping Language三个组件。但难与知识建模结果结合与映射，也难同其他类型知识进行融合，并难支持大规模数据映射与增量映射。

Lixtio和WIE可生成网页包装器，从网页数据中获取知识，但主要针对早期静态页面开发，还需要扩展支持动态页面。

DeepDive与Snorkel提供了一套面向特定关系基于远程监督学习的抽取框架，使用现有知识库和规则定义来自动生成语料，自动完成模型的训练过程，并使用机器学习算法减少噪音和不确定性，用户可用规则影响学习过程以提升结果质量。DeepKE是浙江大学开发的关系抽取工具，使用了卷积神经网络、循环神经网络、注意力机制网络、图卷积神经网络、胶囊神经网络和语言预训练模型等多种深度学习算法。但DeepDive、Snorkel和DeepKE仅用于关系抽取，未提供针对概念、实体、事件等知识的抽取功能。

现有的知识元素(实体、关系)抽取技术与方法往往是在限定领域、主题的数据集上进行，虽然取得了较好的效果，但由于制约条件较多，方法的可扩展能力不够强，未能很好地适应中国古典园林信息抽取需求。

知识抽取技术的首要任务是命名实体识别。现有一般技术主要识别出待处理文本中三大类(实体类、时间类和数字类)、七小类(人名、机构名、地名、时间、日期、货币和百分比)命名实体。多数研究工作只针对识别人名、地名、机构名、专有名词等。