[發明專利]一種面向人物表征的新聞文本發生地抽取方法

有效

• 申請號: 202011336057.0
• 申請日: 2020-11-25
• 公開（公告）號: CN112307364B
• 公開（公告）日: 2021-10-29
• 發明（設計）人: 張宏莉;關皓天;王星;方濱興;楊語晨;方依;孟超
• 申請（專利權）人: 哈爾濱工業大學
• 主分類號: G06F16/9537
• 分類號: G06F16/9537;G06F16/29;G06F40/295;G06F40/30;G06N3/04;G06N3/00
• 代理公司: 黑龍江立超同創知識產權代理有限責任公司 23217
• 代理人: 楊立超

1.一種面向人物表征的新聞文本發生地抽取方法，其特征在于，包括以下步驟，

步驟一、建立新聞文本數據集；

步驟二、對新聞文本數據集中新聞文本進行預處理；

步驟三、利用命名實體識別算法對預處理后的新聞文本的句子中的實體及實體類別進行標注；

步驟四、對預處理后的新聞文本中的段落特征進行標注，包括段落文本類別特征提取、段落詞性特征標注和段落語義依存關系標注；所述段落文本類別特征提取包括通過文本分類算法判斷新聞文本所屬類別；所述段落詞性特征標注包括結合POS tagging詞性標注方法構建Bi-LSTM模型，獲得段落詞性特征標注；所述段落語義依存關系標注包括通過對句子語義結構分析，獲得段落語義依存關系標注；

步驟五、對預處理后的新聞文本中的句子特征進行標注，包括新聞文本與句子的類別特征提取，句子與標題的相對距離特征提取，句子標題相似度特征提取以及相鄰句子相似度提取；

步驟六、對預處理后的新聞文本中的詞特征進行標注，包括地名地理特征提取和地名頻次特征提取；其中，所述地名地理特征提取包括對已知地名數據集及已知地名實體知識圖譜信息的查詢，獲得地名的行政區劃、經緯度；

步驟七、對經過步驟三、步驟四、步驟五、步驟六標注后的新聞文本中的發生地關系進行抽取，構建新的地名實體知識圖譜；

步驟八、根據所述新的地名實體知識圖譜，采用基于深度森林算法gcForest對新聞文本數據集中的新聞發生地進行預測抽取；具體包括以下步驟：

步驟八一、使用動態掃描窗對待抽取新聞數據集進行多粒度掃描，獲得待抽取新聞數據集的特征向量，以句中詞語的依存關系為依據，由句中核心動詞開始掃描，每次窗口中獲取的特征為與當前特征存在語義依存關系的特征，直至無法獲取依存關系結束；所述動態掃描窗為：

W_x＝C_xN_x

其中，W_x表示動態掃描窗的長度；C_x表示動態掃描窗個數，C_x＝1,...,C_max，C_max是掃描窗動態變化的最大個數；N_x表示每個特征向量的維數；

步驟八二、將得到的特征向量輸入到級聯森林模型中進行預測訓練，獲取新聞發生地抽取結果。

2.根據權利要求1所述一種面向人物表征的新聞文本發生地抽取方法，其特征在于，步驟二中所述預處理包括縮略詞處理、指代消解和詞向量微調。

3.根據權利要求2所述一種面向人物表征的新聞文本發生地抽取方法，其特征在于，所述縮略詞處理包括通過構建的縮略詞詞庫將縮略詞進行展開，以識別新聞文本中出現的指代性縮略詞；所述指代消解包括通過對句子進行語義結構分析，將句子中的指代詞替換為相對應的名詞實物；所述詞向量微調包括引入預訓練語言模型Bert，根據新聞文本數據集對Bert模型生成的詞向量進行微調，獲得詞向量結果。

4.根據權利要求1所述一種面向人物表征的新聞文本發生地抽取方法，其特征在于，步驟五中所述新聞文本與句子的類別特征提取包括通過文本分類算法判斷句子所屬類別，并將該類別與段落文本類別特征進行比較來判斷句子與整篇新聞文本的相關度；所述句子與段落標題的相對距離特征提取包括通過對新聞文本長度及句子，與新聞文本標題距離的計算，獲得句子與段落標題的相對距離；所述句子標題相似度特征提取包括通過文本相似度算子計算句子與標題的相似度；所述相鄰句子相似度提取包括通過文本相似度算子計算句子與其相鄰句子的相似度。

5.根據權利要求1所述一種面向人物表征的新聞文本發生地抽取方法，其特征在于，步驟六中所述地名頻次特征提取包括結合地名地理特征獲取的地名的出現頻次特征對叫法不同但指代地點相同的地名進行分析。