命名实体如何进行概念消歧?

  • 时间:
  • 浏览:0
  • 来源:大发快三_快三开户网址_大发快三开户网址

       命名实体概念消歧是命名实体消歧(英语:Named Entity Disambiguation)的有几只 重要研究子领域(命名实体概念可见本文3.1章)。有哪些叫概念消歧了?在这里举有几只 简单例子进行说明,有几只 命名实体“天龙八部”,它有就让 个不同的含义,其含晒 电视剧类的含义,电视剧含义有好几只,如“1997黄日华版电视剧”、“1982年TVB版本电视剧”、“803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,漫画含义有好几只,如“腾讯动漫的漫画”、“黄玉郎改编的漫画”。虽然电视剧类的含义有好几只,但有有哪些含义也有同有几只 概念,它们都属于“电视剧”这一概念。



图1 不同的含义的天龙八部

       就让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有几只 概念。这一有下面几只文本。

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“803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”。虽然文本A和文本B中的天龙八部也有同有几只 意思,但文本A和文本B中的天龙八部也有同有几只 概念类别,也有“电视剧“的天龙八部。这麼概念消歧做的任务也不将文本A和文本B中的天龙八部都划分到“电视剧”这一概念中,将文本C中的天龙八部划分到“漫画”这一概念中。

接下来本文简单介绍如何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,首真难获取天龙八部这一实体所有含义的“描述”文本和“属性”表格,如下为天龙八部其含晒 几只 含义——1997黄日华版电视剧的“描述”文本和“属性”表格。



图2 须要爬取1997黄日华版电视剧的内容

2.2 文本分词构建关键词词组

       得到每有几只 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感情的句子的说说剧,由香港无线电视台……”进行分词补救,得到就让 列词语构成的list1。就让从“属性”表格中提取“剧情,武侠,言情,古装”和“李添胜”等属性词,有有哪些属性词又构成list2。接着合并list1和list2,就还须要得到“1997黄日华版电视剧“含义的关键词词组。

       对天龙八部每有几只 含义都进行如下补救,大家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", "803", "古装", "于敏", "杨幂", "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”有有哪些概念也有凭空而来的,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”进行分词和词性标补救。大家可得到原本有几只 数组[['1997', 'm'], ['年', 'm'], ['黄日华', 'nz'], ['版', 'n'], ['电视剧', 'n']],第i个元素是有几只 由分词和对用词性组成的数组。

       (2)获取概念候选词

       只选用上一步中获取的名词词语,这麼大家还须要得到['黄日华', '版', '电视剧']

       (3)选用候选词

       通常含义标题最后有几只 名词往往是能代表此含义具体概念类别的词语,由上一步大家可知最后有几只 名词是“电视剧“,恰好符合标题对应概念。就让可得到如下列表

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", "803", "古装", "于敏", "杨幂", "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”,就让 是“82版香港电视剧”它们都属于“电视剧”概念,它们都还须要聚类成为“电视剧”这一概念类别。同理” 黄玉郎改编的漫画”和”腾讯动漫的漫画”也还须要聚类成为“漫画”这一概念类别。就让对属于同有几只 概念的含义还须要进行归并操作,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”还须要,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

       文本概念消歧分为有几只 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这一度来判断目标文本中命名实体属于哪个概念 (余弦这一度概念见术语解释)。

       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,……。这麼大家还须要定义“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分词补救得到关键词,就让按上述步骤补救可获得目标文本向量。

       通过余弦这一度计算不想发现目标文本向量和”电视剧”概念向量文本余弦这一度最大,就让 就让 目标文本中的概念应该对应“电视剧”这一概念。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80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。指的是还须要用专有名词(名称)标识的事物,有几只 命名实体一般代表唯一有几只 具体事物个体,包括人名、地名等。这一人名“爱因斯坦”、“牛顿”,地名“北京、“纽约”,机构名“好未来”,“清华大学”等都算有几只 命名实体。对命名实体的补救是NLP(英语Natural Language Processing,自然语言补救)领域有几只 重要的研究方向。

3.2 词向量

       词向量(Word embedding),又叫Word嵌入式自然语言补救(NLP)中的一组语言建模和形状学习技术的统称,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 余弦这一度

       余弦这一度通过测量有几只 向量内积空间的夹角的余弦值来度量它们之间的这一性。0度角的余弦值是1,而就让 任何高度的余弦值也有大于1。用向量空间含晒 几只 向量夹角的余弦值作为衡量有几只 个体间差异的大小的度量,也也不衡量有几只 向量在方向上的差别。

       当然在词类归并计算的就让 还趋于稳定概念重复的情况表,这一天龙八部词条中出现“1977年香港电视剧”、“2013年大陆影视剧”这就让 按本文土妙招找到有几只 “不同”的概念,即“电视剧“和”影视剧“,显然原本数据出现冗余。当然这一文本也是有补救方案的,还须要通过概念这一度计算、就让 关键词聚类来进一步优化得到的概念数据,使得大家得到的概念数据中不出现上述的间题图片。最后希望本文能帮助到广大的NLPer在文本补救。