中文命名实体识别与关系抽取技术研究

"基于规则的Web文本信息抽取技术的研究" 这篇论文深入探讨了基于规则的Web文本信息抽取技术，主要集中在中文命名实体识别和关系抽取方面。随着互联网的快速发展，网络上的信息量呈现爆炸式增长，这使得自动化处理海量文本信息成为一项紧迫的研究任务。信息抽取（Information Extraction, IE）作为一种关键技术，旨在从非结构化的文本中提取出有价值的结构化信息，如事件、事实等，并存储到数据库中供后续查询和利用。 论文作者李向春在电子科技大学攻读软件工程专业的硕士学位，由汤羽研究员和李久林高工指导。该研究主要关注两个核心部分：命名实体识别（Named Entity Recognition, NER）和实体关系抽取（Entity Relationship Extraction,ERE）。 命名实体识别是信息抽取的基础，它涉及识别文本中具有特定意义的实体，如人名、组织名、地名等。论文采用隐马尔可夫模型（HMM）与优先规则提取相结合的方法来识别中文命名实体。HMM用于初步的词性标注，随后的优先规则匹配则用于进一步修正和转换结果，提升了系统的识别性能。 实体关系抽取则更复杂，目标是发现和确认文本中实体之间的特定联系。研究中对比了基于知识库的方法、基于特征向量的机器学习（如Winnow和支持向量机SVM）以及基于模式的Bootstrapping方法。在ACE评测数据集上进行实验，Winnow和SVM在选取实体左右相邻词作为特征时，分别达到了73.08%和73.27%的加权平均F-Score，表明不同学习算法在相同特征向量下，对于实体关系识别的效果存在差异。 这篇论文为基于规则的Web文本信息抽取提供了新的思路，特别是在中文文本处理方面，强调了HMM与规则结合以及特征选择在提升信息抽取准确性方面的关键作用。这些研究成果对于信息检索、问答系统、信息过滤、自动文摘、机器翻译和数字图书馆建设等领域具有重要的理论和实践价值。