[發明專利]文本信息抽取方法和系統

無效

• 申請號: 201110273322.X
• 申請日: 2011-09-15
• 公開（公告）號: CN102298642A
• 公開（公告）日: 2011-12-28
• 發明（設計）人: 李培峰;朱巧明;孔芳;周國棟;錢龍華
• 申請（專利權）人: 蘇州大學
• 主分類號: G06F17/30
• 分類號: G06F17/30
• 代理公司: 北京集佳知識產權代理有限公司 11227
• 代理人: 逯長明

1.一種文本信息抽取方法，其特征在于，包括：

設置第一檢索條件，檢索并選取第一候選網頁，從所述第一候選網頁中提取第一候選語句；所述第一候選網頁與第一候選語句滿足第一檢索條件；

根據第一候選語句生成第一句法樹，并得到第一標注候選語句；

根據第一句法樹裁剪第一標注候選語句，生成裁剪依存樹；把裁剪依存樹分類為原因句依存樹集合和非原因句依存樹集合；根據第一句法樹中的依存路徑，合并原因句依存樹集合中的裁剪依存樹，生成原因句模式庫；合并非原因句依存樹集合中的依存樹生成非原因句模式庫；

讀取用戶輸入的需要抽取原因的現象的關鍵詞，根據所述關鍵詞與原因句模式庫，設置第二檢索條件，檢索并選取第二候選網頁，從所述第二候選網頁中提取第二候選語句，所述第二候選網頁與第二候選語句滿足第二檢索條件；根據第二候選語句，生成第二標注候選語句；

裁剪第二標注候選語句，抽取候選原因結點，構造候選原因結點到現象結構的依存路徑，并生成候選原因依存子樹集合；從候選原因依存子樹集合中抽取原因信息，添加到原因庫中。

2.根據權利要求1所述的方法，其特征在于：

所述第一檢索條件為原因種子對；

所述第二檢索條件為需要抽取原因的現象的關鍵詞與原因句模式庫中的依存模式的每條路徑中出現的結點的組合。

3.根據權利要求2所述的方法，其特征在于，所述根據第一句法樹裁剪第一標注候選語句，生成裁剪依存樹具體包括：

根據第一句法樹中現象結構和原因結構的根結點，裁剪第一標注候選語句，得到包含原因種子對的第一最小子句；

根據第一最小子句的依存關系，生成第一依存樹，抽取所述第一依存樹中現象結構到原因結構的依存路徑，裁剪第一最小子句，得到初步裁剪依存樹；

根據初步裁剪依存樹上的謂詞，裁剪初步裁剪依存樹，得到裁剪依存樹。

4.根據權利要求1所述的方法，其特征在于，所述把裁剪依存樹分類為原因句依存樹集合和非原因句依存樹集合，包括：

通過對裁剪依存樹的原因結構與現象結構進行替換，生成替換依存樹；

對替換依存樹進行分類，若每兩棵替換依存樹之間的相似度大于第一預設閥值，則將該兩棵替換依存樹視為同類別，生成分類依存樹；

判別各類別分類依存樹是否表示原因句，若是，則將分類依存樹標記為正例，并添加到原因句依存樹集合；若否，則將分類依存樹標記為負例，并添加到非原因句依存樹集合。

5.根據權利要求4所述的方法，其特征在于，所述根據第一句法樹中的依存路徑，合并原因句依存樹集合中的裁剪依存樹，生成原因句模式庫，包括：

原因句依存樹集合中，對同類別的任意兩棵替換依存樹的依存路徑進行比較，根據比較結果，對原因句依存樹集合中的分類依存樹進行合并，生成原因句模式庫。

6.根據權利要求1所述的方法，其特征在于，所述裁剪第二標注候選語句，抽取候選原因結點，構造候選原因結點到現象結構的依存路徑，并生成候選原因依存子樹集合包括：

根據第一句法樹中包含第二檢索條件的子句的根結點，裁剪第二標注候選語句，生成第二最小子句，并調用句法分析工具和依存關系分析工具，生成所述第二最小子句的第二句法樹和第二依存樹；

從所述第二依存樹的根結點下抽取不包含現象結構的分支上的結點集合，從所述第二句法樹中抽取包含了所述結點集合的子樹，在所述子樹中查找子句和短語標記，把所述子句和短語標記內的所有詞語合并成為一個詞語，標記為候選原因結點；

查找每個所述候選原因結點到現象結構的依存路徑，并根據所述依存路徑生成候選依存樹，對所述候選依存樹進行裁剪，生成候選原因依存子樹和候選原因依存子樹集合。