命名实体如何进行概念消歧?

  • 时间:
  • 浏览:2
  • 来源:大发快3_快3官网app下载_大发快3官网app下载

       命名实体概念消歧是命名实体消歧(英语:Named Entity Disambiguation)的另二个 重要研究子领域(命名实体概念可见本文3.1章)。哪些叫概念消歧了?在这里举另二个 简单例子进行说明,另二个 命名实体“天龙八部”,它有你这名 个不同的含义,其含晒 电视剧类的含义,电视剧含义有好十十几个 ,如“1997黄日华版电视剧”、“1982年TVB版本电视剧”、“4003年内地胡军版电视剧”、“”2013年内地版电视剧“等;其含晒 漫画类的含义,漫画含义有好十十几个 ,如“腾讯动漫的漫画”、“黄玉郎改编的漫画”。确实电视剧类的含义有好十十几个 ,但哪些含义都不 同另二个 概念,它们都属于“电视剧”你你这名 概念。



图1 不同的含义的天龙八部

       并且 命名实体概念消歧的任务是识别一段文本中给定的命名实体到底属于哪另二个 概念。相似有下面二个文本。

表1 文本概念消歧的例子
A 港版天龙八部还是经典啊,黄日华才演出萧峰的气质 97黄日华版电视剧 电视剧
B 我是张纪中的铁杆粉丝,我当然喜欢天龙八部啦 03内地胡军版电视剧 电视剧
C 我喜欢香港漫画,如《天子传奇》《天龙八部》 黄玉郎改编的漫画 漫画

       文本A中天龙八部是“1997黄日华版电视剧”,文本B中天龙八部是“4003年内地胡军版电视剧”,文本C中的天龙八部是“黄玉郎改编的漫画”。确实文本A和文本B中的天龙八部都不 同另二个 意思,但文本A和文本B中的天龙八部都不 同另二个 概念类别,都不 “电视剧“的天龙八部。没能 概念消歧做的任务并且将文本A和文本B中的天龙八部都划分到“电视剧”你你这名 概念中,将文本C中的天龙八部划分到“漫画”你你这名 概念中。

接下来本文简单介绍怎么里能对命名实体进行概念消歧。

2.1 实体全体含义的获取

       本文以天龙八部百度百科为数据源进行说明,首没能获取天龙八部你你这名 实体所有含义的“描述”文本和“属性”表格,如下为天龙八部其中另二个 含义——1997黄日华版电视剧的“描述”文本和“属性”表格。



图2 可不可不里能 爬取1997黄日华版电视剧的内容

2.2 文本分词构建关键词词组

       得到每另二个 含义的“描述”文本和“属性”表格后,利用jieba分词工具对描述本文“《天龙八部》是一部改编自金庸同名小的古装友情剧,由香港无线电视台……”进行分词避免,得到你这名 列词语构成的list1。并且 从“属性”表格中提取“剧情,武侠,言情,古装”和“李添胜”等属性词,哪些属性词又构成list2。接着合并list1和list2,就可不可不里能 得到“1997黄日华版电视剧“含义的关键词词组。

       对天龙八部每另二个 含义都进行如下避免,大伙儿儿可得到如下所示的表格

表2 不同天龙八部含义对应的关键词词组
97黄日华版电视剧 ["1997", "李添胜", "天龙八部", "黄日华", "樊少皇", "张国强", "陈浩民", "李若彤", "刘锦玲", "赵学而", "何美钿", "28", "陈国梁", "香港", "金庸", "武侠", "古装", "刘玉翠", "萧峰", "慕容复"]
03内地胡军版电视剧 ["电视剧", "4003", "古装", "于敏", "唐嫣", "鞠觉亮", "周晓文", "赵箭", "林志颖", "12", "11", "22", "金鹰奖", "天龙八部", "高虎", "胡军", "刘涛", "陈好", "张纪中", "优秀作品"]
82版香港电视剧 ["虚竹", "1982", "天龙八部", "神剑", "黄日华", "黄杏秀", "之六脉", "萧笙", "梁家仁", "汤镇业", "陈玉莲", "石修", "TVB", "03", "22", "传奇", "武侠", "中国香港", "香港", "乔峰"]
黄玉郎改编的漫画 ["武林", "乔峰", "帮主", "黄玉郎", "天龙八部", "威名", "丐帮", "虚竹", "段家", "英雄辈出", "大宋", "他族", "大帮", "北乔峰", "之妻", "康敏", "堕地", "段誉", "胡绍权", "风云际会"]
腾讯动漫的漫画 ["漫画作品", "天龙八部", "连载", "腾讯", "动漫", "凤凰", "娱乐", "创作"]
…… ……

2.3 概念抽取和归并

       上提及的“电视剧”、“漫画”哪些概念都不 凭空而来的,它是通过下述算法而得:

       (1)含义标题分词和词性标注

       使用jieba分词工具对含义标题 “1997年黄日华版电视剧”进行分词和词性标避免。大伙儿儿可得到从前另二个 数组[['1997', 'm'], ['年', 'm'], ['黄日华', 'nz'], ['版', 'n'], ['电视剧', 'n']],第i个元素是另二个 由分词和对用词性组成的数组。

       (2)获取概念候选词

       只挑选上一步中获取的名词词语,没能 大伙儿儿可不可不里能 得到['黄日华', '版', '电视剧']

       (3)挑选候选词

       通常含义标题最后另二个 名词往往是能代表此含义具体概念类别的词语,由上一步大伙儿儿可知最后另二个 名词是“电视剧“,恰好符合标题对应概念。并且 可得到如下列表

表3 不同天龙八部含义对应的关键词词组和概念
97黄日华版电视剧 ["1997", "李添胜", "天龙八部", "黄日华", "樊少皇", "张国强", "陈浩民", "李若彤", "刘锦玲", "赵学而", "何美钿", "28", "陈国梁", "香港", "金庸", "武侠", "古装", "刘玉翠", "萧峰", "慕容复"] 电视剧
03内地胡军版电视剧 ["电视剧", "4003", "古装", "于敏", "唐嫣", "鞠觉亮", "周晓文", "赵箭", "林志颖", "12", "11", "22", "金鹰奖", "天龙八部", "高虎", "胡军", "刘涛", "陈好", "张纪中", "优秀作品"] 电视剧
82版香港电视剧 ["虚竹", "1982", "天龙八部", "神剑", "黄日华", "黄杏秀", "之六脉", "萧笙", "梁家仁", "汤镇业", "陈玉莲", "石修", "TVB", "03", "22", "传奇", "武侠", "中国香港", "香港", "乔峰"] 电视剧
黄玉郎改编的漫画 ["武林", "乔峰", "帮主", "黄玉郎", "天龙八部", "威名", "丐帮", "虚竹", "段家", "英雄辈出", "大宋", "他族", "大帮", "北乔峰", "之妻", "康敏", "堕地", "段誉", "胡绍权", "风云际会"] 漫画
腾讯动漫的漫画 ["漫画作品", "天龙八部", "连载", "腾讯", "动漫", "凤凰", "娱乐", "创作"] 漫画
…… …… ……

       得到上述列表后易知,无论是“97黄日华版电视剧”,还是“03内地胡军版电视剧”,可能是“82版香港电视剧”它们都属于“电视剧”概念,它们都可不可不里能 聚类成为“电视剧”你你这名 概念类别。同理” 黄玉郎改编的漫画”和”腾讯动漫的漫画”也可不可不里能 聚类成为“漫画”你你这名 概念类别。并且 对属于同另二个 概念的含义可不可不里能 进行归并操作,即” 97黄日华版电视剧”、“03内地胡军版电视剧”和” 82版香港电视剧”可不可不里能 ,可得如下的概念归并后的



图3 概念归并后的词组

2.4 概念消歧

       文本概念消歧分为另二个 步骤,第一步获得含义的文本向量,第二步是计算文本向量间余弦相似度来判断目标文本中命名实体属于哪个概念 (余弦相似度概念见术语解释)。

       首先介绍第一步获得概念文本向量和目标文本向量。“电视剧”概念对应的关键词词组为["1997", "李添胜", "天龙八部", "黄日华", "樊少皇", "张国强", "陈浩民", "李若彤",……],假设"1997"对应的词向量为w1, "李添胜"对应的词向量为w2, "天龙八部"对应的词向量为w3,……。没能 大伙儿儿可不可不里能 定义“97黄日华版电视剧”的概念文本向量T1 =(w1+w2+…wn)/n。对目标文本“港版天龙八部还是经典啊,黄日华才演出萧峰的气质”先进行jieba分词避免得到关键词,并且 按上述步骤避免可获得目标文本向量。

       通过余弦相似度计算你可不可不里能 发现目标文本向量和”电视剧”概念向量文本余弦相似度最大,你这名 你这名 目标文本中的概念应该对应“电视剧”你你这名 概念。本文使用某开源的中文词向量进行文本到向量数值的映射,此开源的中文词向量的维度为400维度,含晒 几乎所有的中文词语和流行术语。

3.1 命名实体

       命名实体(英语:Named Entity),主要包括人名、地名、机构名、专有名词等,以及时间、数量、货币、比例数值等文字。指的是可不可不里能 用专有名词(名称)标识的事物,另二个 命名实体一般代表唯一另二个 具体事物个体,包括人名、地名等。相似人名“爱因斯坦”、“牛顿”,地名“北京、“纽约”,机构名“好未来”,“清华大学”等都算另二个 命名实体。对命名实体的避免是NLP(英语Natural Language Processing,自然语言避免)领域另二个 重要的研究方向。

3.2 词向量

       词向量(Word embedding),又叫Word嵌入式自然语言避免(NLP)中的一组语言建模和社会社会形态习技术的统称,其中来自词汇表的单词或短语被映射到实数的向量。 从概念上讲,它涉及从每个单词一维的空间到具有更低维度的连续向量空间的数学嵌入。

3.3 余弦相似度

       余弦相似度通过测量另二个 向量内积空间的夹角的余弦值来度量它们之间的相似性。0度角的余弦值是1,而你这名 任何层厚的余弦值都不 大于1。用向量空间中另二个 向量夹角的余弦值作为衡量另二个 个体间差异的大小的度量,也并且衡量另二个 向量在方向上的差别。

       当然在词类归并计算的并且还处于概念重复的情況,相似天龙八部词条中老出“1977年香港电视剧”、“2013年大陆影视剧”这并且按本文土最好的办法找到另二个 “不同”的概念,即“电视剧“和”影视剧“,显然从前数据老出冗余。当然你你这名 文本也是有避免方案的,可不可不里能 通过概念相似度计算、可能关键词聚类来进一步优化得到的概念数据,使得大伙儿儿得到的概念数据中不老出上述的问题 。最后希望本文能帮助到广大的NLPer在文本避免。