[發(fā)明專利]一種基于本體的中文人名消歧方法

在審

• 申請(qǐng)?zhí)枺?/td>: 201310202444.9
• 申請(qǐng)日: 2013-05-27
• 公開(kāi)（公告）號(hào): CN104182420A
• 公開(kāi)（公告）日: 2014-12-03
• 發(fā)明（設(shè)計(jì)）人: 呂釗;羅年潔
• 申請(qǐng)（專利權(quán)）人: 華東師范大學(xué)
• 主分類號(hào): G06F17/30
• 分類號(hào): G06F17/30;G06F17/27
• 代理公司: 隆天國(guó)際知識(shí)產(chǎn)權(quán)代理有限公司 72003
• 代理人: 黃嵩泉;呂俊清

技術(shù)領(lǐng)域

本發(fā)明涉及自然語(yǔ)言處理領(lǐng)域，具體地是通過(guò)構(gòu)建人物本體將中文人名和其擁有的屬性信息建立聯(lián)系，實(shí)現(xiàn)人名與真實(shí)實(shí)體之間的鏈接，以消解人名關(guān)鍵詞的歧義的技術(shù)。

背景技術(shù)

人名消歧逐漸成為搜索資源的熱點(diǎn)，人名歧義給人名查詢、人物關(guān)系挖掘、敏感人物的信息過(guò)濾等應(yīng)用上帶來(lái)了眾多不利的影響，當(dāng)進(jìn)行檢索時(shí)，搜索引擎會(huì)返回大量包含該人名的網(wǎng)頁(yè)，而且這些網(wǎng)頁(yè)可能描述多個(gè)實(shí)體，同時(shí)人名有很高的歧義性，多人同名或者非人名。因此，近年來(lái)國(guó)內(nèi)外開(kāi)始逐步關(guān)注于人名消歧任務(wù)的研究。目前現(xiàn)有的方法大都是利用文檔中的特征信息對(duì)出現(xiàn)人名的文檔進(jìn)行聚類，即將指向同一個(gè)人的文檔集聚成一個(gè)個(gè)單獨(dú)的類。然而，如何確定文檔中出現(xiàn)的歧義人名所指向的現(xiàn)實(shí)生活當(dāng)中的特定的人，仍然是一個(gè)亟待解決的問(wèn)題。

本發(fā)明是基于斯坦福大學(xué)開(kāi)發(fā)SUMO(Suggested?Upper?Merged?Ontology)的本體構(gòu)建“七步法”，以及人物的各種屬性名稱(如國(guó)籍、職業(yè)等)，來(lái)對(duì)人物本體中的概念及其層次結(jié)構(gòu)等方面進(jìn)行定義，創(chuàng)建一個(gè)人體實(shí)例的知識(shí)庫(kù)，主要針對(duì)人名詞條在百度百科中的百科名片半結(jié)構(gòu)(例如：姚明這樣的名人)和人物簡(jiǎn)介非結(jié)構(gòu)(例如：王偉這樣的普通人)這兩類信息，分別研究出基于HTML結(jié)構(gòu)特征、基于自然語(yǔ)言理解和規(guī)則相結(jié)合這兩類方式來(lái)對(duì)人物屬性信息進(jìn)行抽取，再利用Jena對(duì)抽取的信息本體實(shí)例化，建立一個(gè)樹(shù)結(jié)構(gòu)，從人物本體的概念層級(jí)和屬性值層級(jí)上來(lái)研究人物本體實(shí)例之間的相似性，再結(jié)合人物實(shí)例的總體相似度衡量。

有鑒于此，發(fā)明人提供了一種基于本體的中文人名消歧方法。

發(fā)明內(nèi)容

針對(duì)現(xiàn)有技術(shù)中的缺陷，本發(fā)明提供了一種基于本體的中文人名消歧方法，克服了現(xiàn)有技術(shù)的困難，根據(jù)網(wǎng)絡(luò)信息先構(gòu)建人物本體，當(dāng)有人物信息時(shí)，提取其信息模塊，創(chuàng)建人物實(shí)例，并與本體里的信息進(jìn)行匹配，名字與目標(biāo)實(shí)體列表中的相應(yīng)實(shí)體的定義進(jìn)行鏈接。例如，“姚明周圍的文本，如“《前門情思大碗茶》”、“劉曉慶”等與當(dāng)前人名有關(guān)的信息”，可以確定其是作曲家姚明，而不是鎖定在籃球運(yùn)動(dòng)員姚明。

根據(jù)本發(fā)明的一個(gè)方面，提供一種基于本體的中文人名消歧方法，包括以下步驟：

定義人物屬性，定義出人物本體中涉及的概念、屬性和關(guān)系；

定義人物本體的概念及其結(jié)構(gòu)，創(chuàng)建實(shí)體這個(gè)頂層類，再在其下層添加抽象和物質(zhì)兩大子類；

定義人物本體的屬性，屬性包括兩個(gè)部分：數(shù)據(jù)屬性和對(duì)象屬性；

抽取人物屬性；

人名實(shí)例化，將人物本體中所有的概念創(chuàng)建相應(yīng)的實(shí)例，主要是對(duì)本體中的概念所關(guān)聯(lián)的屬性進(jìn)行賦值；

人物本體實(shí)例樹(shù)匹配，通過(guò)在本體的概念層級(jí)上度量人物實(shí)例間的相似度以及在本體的屬性值層級(jí)上度量人物實(shí)例間的相似度來(lái)衡量人物實(shí)例間的總體相似度；

相似度排序；以及

鏈接人名到最相似的人物實(shí)例。

優(yōu)選地，所述人物屬性為人物所具有的特征集合，包含人物名稱屬性、人物基本屬性、人物介紹性屬性、人物社會(huì)。

優(yōu)選地，物質(zhì)類下層定義人物這個(gè)概念實(shí)體，代表人物自身；

抽象類下層繼續(xù)構(gòu)建屬性類，并在其下層，即中間層級(jí)上，繼續(xù)添加人物名稱、基本屬性、介紹性信息、聯(lián)系方式、值類、個(gè)人關(guān)系這六大概念類，將人物本體組織成一個(gè)具有上下位關(guān)系的樹(shù)狀結(jié)構(gòu)。

優(yōu)選地，所述抽取人物屬性包括半結(jié)構(gòu)文本的屬性抽取，從網(wǎng)頁(yè)中的所有百科名片中抽取出人物的基本信息，并轉(zhuǎn)換為一種自定義的有結(jié)構(gòu)的可擴(kuò)展標(biāo)記語(yǔ)言頁(yè)面，主要將超文本標(biāo)記語(yǔ)言結(jié)構(gòu)的方式和半結(jié)構(gòu)化文本抽取方式結(jié)合，搜集由人名對(duì)應(yīng)的百科頁(yè)面，對(duì)源碼解析，確定所抽取的信息塊，分析信息塊的特征及超文本標(biāo)記語(yǔ)言特征標(biāo)簽，歸納總結(jié)信息項(xiàng)的抽取規(guī)則，用于后續(xù)的大批量的百科頁(yè)面的信息抽取。

優(yōu)選地，所述抽取人物屬性包括非結(jié)構(gòu)文本的屬性抽取，通過(guò)非結(jié)構(gòu)的人物簡(jiǎn)介來(lái)描述人物的相關(guān)信息。

優(yōu)選地，從三個(gè)方面來(lái)定義每個(gè)屬性的抽取規(guī)則：屬性信息的前后觸發(fā)詞、屬性信息的自身特征以及屬性信息的左右邊界。

優(yōu)選地，在本體的概念層級(jí)上度量人物實(shí)例間的相似度的計(jì)算公式如下：