面向新闻文本的实体关系抽取研究

• 作 者: 周星瀚
• 出 处: 武汉邮电科学研究院
• 发表日期: 2020年01期
• 关键词: 新闻文本 自然语言处理 实体识别 实体关系抽取

新闻文本中信息蕴含价值大,因此从其中提取信息有重大实用价值。但是新闻数量大,增长迅速,依靠人工处理提取信息耗时费力。实体识别和关系抽取技术可以实现自动化识别新闻实体,提取实体关系,为后续深入分析提供可能。首先新闻具有客观、严肃的特性,因此用词少见情感倾向词汇;其次新闻中会频繁出现特定词汇代表特定组织机构;最后新闻的句子中可能包含很多不同类型实体且这些实体对之间有不同关系类型。为应对新闻文本特征,本文构建深度学习模型尝试从海量新闻文本中识别出新闻实体以及抽取实体之间的关系,以便快速了解新闻重点,加快信息获取效率。本文提出实体识别模型ER-Mul ATT model,此模型把实体识别转化为句子级别的序列标注任务。首先从语料中获得词向量,引入词的字符级向量来表示词的大小写和缩写等词的字符特征;然后使用BiLSTM提取出词的上下文依赖特征,利用自注意力机制来获取词的全局相关特征,解决远距离相关信息缺失的问题;最后使用CRF来获取标签序列。本文提出实体关系抽取模型RE-BiGCN model,此模型把实体关系抽取转化为句子级的分类问题。首先使用词向量、词性特征向量、实体标识向量和经过Char BiLSTM得到的词的字符向量进行拼接作为模型输入;结合BiLSTM和经过依存句法分析改进的BiGCN分别提取出词的局部相关性和长距离特征,构建具有关系加权边的全连接图,选择最优加权边作为最优路径,进而选择最合适的实体关系。实验表明,本文构建的模型在新闻语料上的实验相较于非新闻语料分别在F1值上得到2.97%和2.48%的性能提升;本文模型相较与目前主流模型在实体识别和实体关系抽取实验中分别在F1值得到5.64%和7.35%的性能提升。本课题的研究意义在于一方面使用深度学习改进现有模型,减少人工开销,提高模型性能,为后续其他分析提供可能;另一方面目前实体识别和关系抽取的模型算法繁多,但却没有专门针对新闻领域的定制模型。本文将关注重点集中于新闻文本领域构建模型,通过对比实验证明定制模型的有效性。