[發(fā)明專利]一種面向文本的相對位置信息提取方法

有效

• 申請?zhí)枺?/td>: 202110479288.5
• 申請日: 2021-04-30
• 公開（公告）號: CN113282767B
• 公開（公告）日: 2022-08-30
• 發(fā)明（設(shè)計）人: 李霖;羅振威;朱海紅;沈航;金榜;李昭熹
• 申請（專利權(quán)）人: 武漢大學
• 主分類號: G06F16/387
• 分類號: G06F16/387;G06F40/242;G06F40/295;G06F40/30;G06N3/04;G06N3/08
• 代理公司: 武漢科皓知識產(chǎn)權(quán)代理事務(wù)所(特殊普通合伙) 42222
• 代理人: 魯力

位置信息不僅包括地理命名實體，實體間的相對位置信息也是重要的一部分。但是相對位置的表達形式多樣，與日常語言十分貼近，很難通過固定的語法規(guī)則進行識別，需要我們探索新的方法來進行提取。本發(fā)明提出了一種面向文本的相對位置信息提取方法。本方法利用BiLSTM(雙向LSTM)+CRF(條件隨機場)模型和空間語義特征模板對文本中的數(shù)據(jù)進行訓練，提取文本中的地名實體信息與相對位置信息，并結(jié)合中文文本中的語義結(jié)構(gòu)和獲取的外部特征庫，構(gòu)建位置指示性信息詞典，制定相對位置信息的識別規(guī)則，進一步優(yōu)化其相對位置信息提取的精度。

技術(shù)領(lǐng)域

本發(fā)明涉及一種面向文本的位置信息提取方法，特別涉及面向文本的相對位置信息提取方法。

背景技術(shù)

位置信息不僅包括地理命名實體，實體間的相對位置信息也是重要的一部分。但是不同于以坐標等方式表達的空間位置，文本中的空間關(guān)系往往比較模糊。大部分的描述屬于定性的表達，如常見的“周圍”、“緊鄰”等詞語，從中無法獲得精確的位置描述。而地理命名實體往往是固定的，代表著確定的位置。因此，將地理命名實體和實體間的相對位置信息結(jié)合，是對文本中位置信息提取的理想方法。但是相對位置的表達形式多樣，與日常語言十分貼近，很難通過固定的語法規(guī)則進行識別，需要我們探索新的方法來進行提取。現(xiàn)有的相關(guān)發(fā)明往往只關(guān)注地理命名實體的提取方法，忽略了對實體間的相對位置關(guān)系的識別和轉(zhuǎn)化，也缺少相關(guān)的全位置信息語料庫。同時，現(xiàn)有的識別方法仍然有很多不足，如對復雜地名識別召回率不高、識別范圍不準確等。因此，針對文本中的相對位置信息自動提取中存在的問題進行發(fā)明，在理論上和實踐中都有很重要的意義。

發(fā)明內(nèi)容

為了實現(xiàn)針對中文文本信息中的相對位置信息提取，本發(fā)明以此為出發(fā)點，提出了一種基于BiLSTM+CRF+空間語義特征模板的相對位置信息提取方法。該方法中BiLSTM可以很好地提取上下文特征，CRF模型則對標簽分布進行約束，同時建立空間語義特征模板，在此基礎(chǔ)上結(jié)合中文文本中的語義結(jié)構(gòu)和獲取的外部特征庫，制定相對位置信息的識別規(guī)則，優(yōu)化位置信息的提取精度。

方法步驟描述如下：

一種面向文本的相對位置信息提取方法，其特征在于：包括以下步驟，

步驟1、對獲取到的中文文本進行預(yù)處理，并進行分詞與標注；

步驟2、根據(jù)分詞與標注后的文本內(nèi)容，利用BiLSTM(雙向LSTM)+CRF(條件隨機場)模型+空間語義特征模板進行地名實體與相對位置信息提取；

步驟3、構(gòu)建位置指示性信息詞典，制定地名命名實體和相對位置信息的識別規(guī)則，優(yōu)化相對位置信息提取精度；

步驟4、利用地理編碼技術(shù)將位置信息轉(zhuǎn)化為結(jié)構(gòu)化地理數(shù)據(jù)展示在地圖上。

在上述的面向文本的相對位置信息提取方法，在步驟1中，文本內(nèi)容僅限于中文文本，對于文本中夾雜漢語拼音、英文、繁體中文或其他語言，將進行刪除，將預(yù)處理后的文本數(shù)據(jù)，利用NLPIR分詞工具對文本內(nèi)容進行分詞與詞性標注的操作。

在上述的面向文本的相對位置信息提取方法，在步驟2中，包括：

步驟2.1、首先利用BiLSTM+CRF模型對文本語料進行大規(guī)模訓練；訓練使用條件隨機場CRF++工具，通過制定合適的特征模板生成特征函數(shù)，利用條件隨機場模型的原理對文本中的數(shù)據(jù)進行訓練；其中，特征函數(shù)為二值函數(shù)，即函數(shù)的輸出值只有0和1兩種，公式表示為：

CRF++通過制定特征模板，選擇訓練過程中使用的特征和關(guān)系，生成對應(yīng)的特征函數(shù)；每個特征模板會把可能的標記全部輸出一次，通過訓練確定標記的權(quán)重，當標記合理時特征函數(shù)輸出為1，對應(yīng)權(quán)重較高，標記不合理時特征函數(shù)輸出0，對應(yīng)權(quán)較低；