[發明專利]一種中醫針灸領域事件觸發詞的自動抽取方法及系統

在審

• 申請號: 201710245442.6
• 申請日: 2017-04-14
• 公開（公告）號: CN107092674A
• 公開（公告）日: 2017-08-25
• 發明（設計）人: 孫水華
• 申請（專利權）人: 福建工程學院
• 主分類號: G06F17/30
• 分類號: G06F17/30
• 代理公司: 福州市鼓樓區京華專利事務所(普通合伙)35212
• 代理人: 林曉琴

技術領域

本發明涉及一種中醫(即中文醫學)針灸領域信息抽取方法及工具，特別涉及一種中醫針灸領域事件觸發詞的抽取方法和系統。

背景技術

事件抽取^[1-^2]是層次較高的信息抽取研究任務，其目的是從海量數據文本中自動地識別出人們感興趣的事件信息，并將這些信息轉換為結構化數據呈現出來。事件觸發詞識別即是事件類別的識別，在事件抽取任務中起著關鍵的作用。主流的事件觸發詞抽取方法主要有三種：基于規則的方法^[3-^5]、基于詞典匹配的方法^[6-8]和基于機器學習的方法^[9-12]。

基于規則的方法根據所處理語料的語言特征和領域特征事先定義好一組泛化的規則，利用規則匹配來抽取觸發詞。比如，文獻[3]中用詞干處理后的規則來抽取文本中的生物醫學事件觸發詞。基于規則的觸發詞識別模型非常依賴于人工編寫規則的覆蓋率，規則覆蓋不到的觸發詞識別不到，該類模型有較高的準確率，但是召回率較低，可移植性較差。

基于詞典匹配的方法是指利用訓練語料中人工標注的觸發詞建立觸發詞字典，通過該字典判斷其他詞語是否為觸發詞。比如，文獻[6]中抽取訓練語料中所有的觸發詞，建立初始的觸發詞字典；采用同義詞詞林擴展該字典，構建一個較完整的觸發詞字典；利用此字典判斷候選觸發詞集中的詞語是否為事件觸發詞。該方法是一種典型的經驗方法，有較高的召回率，但準確率較低，且要求訓練語料規模足夠大、足夠經典。

基于機器學習的方法把觸發詞識別任務看作是分類問題或序列標注問題，應用大量的特征和標注數據，建立統計機器學習模型，實現對樣本實例的確定。比如，文獻[9]中利用二值分類器判別句子中的詞是否為觸發詞，若是，則使用多元分類器對其分類，獲得事件類型；文獻[10]中采用詞匯及其上下文特征、短語標記特征、詞聚類特征以及統計的詞典特征構造不同的基于詞級的CRF模型，用于生物事件觸發詞的標注。機器學習方法比較客觀，且不需要太多的人工干預和領域知識，但要求訓練語料和測試語料必須滿足一定的規模才能保證識別結果的精確率。

近年來，國內外學者針對英文生物醫學事件以及中文通用領域事件的抽取進行了研究和實驗，取得了一些有價值的研究成果。如：TranM V等[13]在CG(Cancer Genetics)語料庫中研究生物醫學事件抽取；Zheng Chen等[14]在ACE標注語料庫中研究中文通用領域事件抽取。然而，由于中文的語言特征以及在中醫針灸領域文本中頻繁出現的單字詞和成語，如：“灸”、“刺”、“抗”、“疏肝理氣”、“通經活絡”等，阻礙了英文生物醫學領域、中文通用領域已經取得的事件抽取技術研究成果在中醫針灸領域事件抽取中的應用。迄今為止，尚無中醫針灸領域事件信息抽取系統面世，中醫針灸領域事件抽取技術方面的相關研究論文也罕見報道。中醫針灸蘊含著中華民族特有的精神、思維和文化精華，涵納著大量的實踐觀察、知識體系和技術技藝，凝聚著中華民族強大的生命力與創造力，是中華民族智慧的結晶，也是全人類文明的瑰寶。隨著中醫針灸領域文獻的快速增長，迫切需要一種有效的工具來高效地利用這些文獻中所蘊含的知識。

術語解釋：

(1)中醫針灸事件：在中醫針灸領域文本中，明確出現了與針灸治療或保健事實相關的文字表述的句子稱之為中醫針灸事件表述語句或中醫針灸事件。中醫針灸事件包括中醫針灸事件觸發詞和中醫針灸事件元素。在中醫針灸事件中，最能清晰表達中醫針灸治療或保健事實發生的詞語稱之為中醫針灸事件觸發詞。中醫針灸事件可以有多個事件元素，它們是滿足特定角色的中醫針灸領域命名實體。本發明中定義的2類中醫針灸事件如下：

①保健事件：指句子中出現了與中醫針灸保健事實相關的文字表述。保健事件觸發詞是該類事件表述語句中指標性的詞語，保健事件中可以出現的7類事件元素包括：藥物元素Drug-Arg、中醫施術方法元素Method-Arg、穴位元素Acupoint-Arg、工具元素Instrument-Arg、時間元素Time-Arg、健康元素Health-Arg和疾病元素Disease-Arg。