基于CCRF的领域本体概念上下位关系抽取

doi:10.3969/j.issn.1000-3428.2014.06.030

计算机工程

基于CCRF的领域本体概念上下位关系抽取

莫媛媛^a，郭剑毅^a,b，余正涛^a,b，蒋年树^a，线岩团^a,b

(昆明理工大学 a. 信息工程与自动化学院；b. 智能信息处理重点实验室，昆明 650051)

收稿日期:2013-05-23 出版日期:2014-06-15 发布日期:2014-06-13
作者简介:莫媛媛(1989－)，女，硕士研究生，主研方向：自然语言处理，信息抽取；郭剑毅(通讯作者)、余正涛，教授；蒋年树，硕士研究生；线岩团，讲师。
基金资助:
国家自然科学基金资助项目(61175068)；云南省应用基础研究计划基金资助重点项目(2013FA030)；云南省教育厅重大专项基金资助项目(KKJI201203001)。

Hyponymy Extraction of Domain Ontology Concept Based on CCRF

MO Yuan-yuan ^a, GUO Jian-yi^a,b, YU Zheng-tao ^a,b, JIANG Nian-shu ^a, XIAN Yan-tuan ^a,b

(a. School of Information Engineering and Automation; b. Key Laboratory of Intelligent Information Processing, Kunming University of Science and Technology, Kunming 650051, China)

Received:2013-05-23 Online:2014-06-15 Published:2014-06-13

摘要/Abstract

摘要： 现有领域本体概念上下位关系抽取方法受到手工标注和特定模式的限制。针对该问题，提出一种基于层叠条件随机场的领域本体概念上下位关系抽取方法。以自由文本为抽取对象，采用两层条件随机场算法，将训练数据处理成条件随机场能识别的线性结构。低层条件随机场模型考虑词之间的长距离依赖，对词进行建模，识别出领域概念并对概念进行顺序组合，结合模板定义特征得到概念对；高层模型对成对概念进行上下位语义标注，识别出领域本体概念之间的上下位关系。采用真实语料进行实验，结果表明，该方法具有较好的识别效果。

关键词: 层叠条件随机场, 领域本体概念, 上下位关系, 概念对, 关系抽取

Abstract: Existed hyponymy extraction methods of domain ontology concept are limited by manual annotation and specific patterns. Aiming at this problem, this paper proposes a hyponymy extraction method of domain ontology concept based on Cascaded Conditional Random Field(CCRF). It uses free text as extracting object, adopts two layers conditional random fields identifying the domain concepts. In lower-level conditional random fields model, it considers long distance dependence between words, makes modeling for words, and extracts concept in sequential, then obtains the concept with the characteristics of the template definition; In high-level model, it annotates semantic in pairs of concepts with hyponymy, identifies the hyponymy relation between domain ontology concept. Through real corpus open testing, the experimental results demonstrate the proposed method performs better.

Key words: Cascaded Conditional Random Field(CCRF), domain ontology concept, hyponymy, concept pair, relation extraction

中图分类号:

TP18

莫媛媛，郭剑毅，余正涛，蒋年树，线岩团. 基于CCRF的领域本体概念上下位关系抽取[J]. 计算机工程, doi: 10.3969/j.issn.1000-3428.2014.06.030.

MO Yuan-yuan, GUO Jian-yi, YU Zheng-tao, JIANG Nian-shu, XIAN Yan-tuan. Hyponymy Extraction of Domain Ontology Concept Based on CCRF[J]. Computer Engineering, doi: 10.3969/j.issn.1000-3428.2014.06.030.

https://www.ecice06.com/CN/Y2014/V40/I6/138

参考文献

参考文献 [1] 刘凯鹏, 方滨兴. 基于社会性标注的本体学习方法[J]. 计算机学报, 2010, 33(10): 1823-1834. [2] Dahab M Y, Hassan H A, Rafea A. TextOntoEx: Automatic Ontology Construction from Natural English Text[J]. Expert Systems with Applications, 2008, 34(2): 1474-1480. [3] 詹卫东, 徐波. 面向自然语言处理的大规模语义知识库研究述要[M]//徐波. 中文信息处理若干重要问题. 北京: 科学出版社, 2003: 107-120. [4] 王惠, 詹卫东, 俞士汶. 现代汉语语义词典规格说明书[J]. 汉语语言与计算学报, 2003, 13(2): 159-176. [5] Zhao Yu, Li Jianqiang. Domain Ontology Learning from Websites[C]//Proc. of SAINT’09. [S. l.]: IEEE Press, 2009: 129-132. [6] Lian Li, Ma Jun, Lei Jingsheng, et al. Automated Construction Chinese Domain Ontology from Wikipedia[C]//Proc. of ICNC’08. [S. l.]: IEEE Press, 2008: 670-674. [7] Caraballo S A. Automatic Construction of a Hypernym-labeled Noun Hierarchy from Text[C]//Proc. of the 37th Annual Meeting of the Association for Computational Linguistics on Computational Linguistics. [S. l.]: Association for Computa- tional Linguistics, 1999: 120-126. [8] Noy N F, Sintek M, Decker S, et al. Creating Semantic Web Contents with Protégé-2000[J]. IEEE Intelligent Systems, 2001, 16(2): 60-71. [9] Cimiano P, Reyle U, ?ari? J. Ontology-driven Discourse Analysis for Information Extraction[J]. Data & Knowledge Engineering, 2005, 55(1): 59-83. [10] 刘磊, 曹存根, 王海涛, 等. 一种基于“是一个”模式的下位概念获取方法[J]. 计算机科学, 2006, 33(9): 146-151. [11] 刘磊, 曹存根. 基于混合特征的上下位关系验证方法[J].计算机工程, 2008, 34(14): 12-13. [12] Nocedal J, Wright S. Numerical Optimization[M]. New York, USA: Springer-Verlag, 1999. [13] 刘磊, 曹存根, 张春霞, 等. 概念空间中上下位关系的意义识别研究[J]. 计算机学报, 2009, 32(8): 32-38. [14] McCallum A. Efficiently Inducing Features of Conditional Random Fields[C]//Proc. of the 19th Conference on Uncertainty in Artificial Intelligence. [S. l.]: Morgan Kaufmann Publishers Inc., 2002: 403-410. 编辑金胡考

[1]	曹渝昆, 程宇, 何祯奕, 徐康乐, 颜家洛, 李云峰. 文档上下文异构表示的句子级关系抽取方法[J]. 计算机工程, 2024, 50(5): 111-119.
[2]	李敬灿, 肖萃林, 覃晓婷, 谢夏. 基于大语言模型与语义增强的文本关系抽取算法[J]. 计算机工程, 2024, 50(4): 87-94.
[3]	吴海鹏, 钱育蓉, 冷洪勇. 基于双向注意力机制的多模态关系抽取[J]. 计算机工程, 2024, 50(4): 160-167.
[4]	廖涛, 张国畅, 张顺香. 基于双粒度图的文档级关系抽取[J]. 计算机工程, 2024, 50(10): 164-173.
[5]	刘昊鑫, 董超, 勾智楠, 高凯. 融合混合表征的小样本关系抽取方法[J]. 计算机工程, 2023, 49(8): 63-68.
[6]	马建红, 龚天, 姚爽. 基于证据句与图卷积网络的文档级关系抽取[J]. 计算机工程, 2023, 49(8): 104-110.
[7]	廖涛, 孙皓洁, 张顺香. 基于跨度和特征融合的实体关系联合抽取模型[J]. 计算机工程, 2023, 49(6): 107-114.
[8]	吴雪莹, 段友祥, 昌伦杰, 李世银, 孙歧峰. 面向地质领域的实体关系联合抽取研究[J]. 计算机工程, 2023, 49(3): 121-127.
[9]	杨红菊, 靳新宇. 一个实体关系与事件抽取的通用模型[J]. 计算机工程, 2023, 49(2): 143-149.
[10]	杨振宇, 王磊, 马博, 杨雅婷, 董瑞, 艾孜麦提·艾瓦尼尔, 王震. 一种针对维汉的跨语言远程监督方法[J]. 计算机工程, 2023, 49(2): 271-278.
[11]	王雨燕, 赵佳鹏, 时金桥, 申立艳, 刘洪梦, 杨燕燕. 暗网网页用户身份信息聚合方法[J]. 计算机工程, 2023, 49(11): 187-194, 210.
[12]	陈仁杰, 郑小盈, 祝永新. 融合实体类别信息的实体关系联合抽取[J]. 计算机工程, 2022, 48(3): 46-53.
[13]	方义秋, 刘飞, 葛君伟. 基于Mogrifier LSTM的序列标注关系抽取方法[J]. 计算机工程, 2022, 48(10): 81-87,94.
[14]	江旭, 钱雪忠, 宋威. 结合残差BiLSTM与句袋注意力的远程监督关系抽取[J]. 计算机工程, 2022, 48(10): 110-115,122.
[15]	孙新, 申长虹, 姜景虎, 崔家铭. 结合实体描述信息的跨句包关系抽取方法[J]. 计算机工程, 2021, 47(6): 68-75.

选择文件类型/文献管理软件名称

选择包含的内容

基于CCRF的领域本体概念上下位关系抽取

Hyponymy Extraction of Domain Ontology Concept Based on CCRF

PDF

可视化

被引次数

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价

模态框（Modal）标题

选择文件类型/文献管理软件名称

选择包含的内容

基于CCRF的领域本体概念上下位关系抽取

Hyponymy Extraction of Domain Ontology Concept Based on CCRF

PDF

可视化

被引次数

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价