面向话题的事件信息融合研究与实现

论文摘要

事件信息抽取（Events Information Extraction: Events IE）目前是信息抽取（Information Extraction: IE）中的一个重要领域。本文提出了一种跨文本事件信息融合方法,该方法在事件IE的基础上引入了多源信息融合理论,并结合命名实体识别、指代消解等其它信息抽取技术,对多源、多文本同话题事件进行信息融合。本文的主要内容包括元事件融合和话题事件融合两部分,具体内容如下:1.在元事件融合中,考虑到自然语言表述的多样性,对事件描述中的事件元素进行规格化处理,并针对事件元素中的时间信息、命名实体和数字信息的不同表述特点,采用不同的规格化方法;2.在共指元事件聚类过程中,由于事件描述中常出现事件元素的缺失,为了提高共指元事件聚类的召回率,提出了关键元素集合的概念。并针对事件信息的特点,利用事件中的语义和语用信息提出一种适用于事件信息的相似度算法;3.在事件元素融合时,在元素的基本可信度上,针对各类事件元素的不同表述特点,根据元素的精度和准度不同调整元素的可信度,提高精度高的元素值被选中的概率。在元素选择时,在可信度计算的基础上,采用了投票策略,增加了最后结果的可信度;4.在话题事件融合中,为了能更好地表示话题型事件,本文定义了一种基于元事件的话题事件表示模型（Event-based Topic Description Model: ETDM）。该模型可有效地将话题事件进行结构化和层次化表示,接近人类的认知模式,同时可根据不同需要进行信息定制。最后给出了话题事件的融合方法。实验表明,本文元事件融合可以有效合并事件信息,大大降低了信息系统的冗余度,完善了单个事件信息,通过对多源信息的冗余性和互补性进行融合,达到增加目标特征矢量的维数,降低信息的不确定性,改善信息的置信度等目的。对话题事件的融合不仅能有效地将相关事件联系起来,并能将整个话题以层次化、结构的形式表示。

论文目录

• 中文摘要
• Abstract
• 第一章 绪论
• 1.1 课题提出
• 1.2 一些基本术语
• 1.3 本文研究目标
• 1.4 本文主要研究内容
• 1.5 本文组织结构
• 第二章 事件信息融合的相关研究
• 2.1 信息抽取概述
• 2.1.1 命名实体识别
• 2.1.2 实体关系抽取
• 2.1.3 指代消解
• 2.1.4 事件信息抽取
• 2.2 信息融合概述
• 2.2.1 信息融合的概念及定义
• 2.2.2 信息融合的基本步骤
• 2.2.3 信息融合常用算法
• 2.2.4 信息融合的研究现状
• 2.3 其它相关研究
• 2.3.1 话题探测与跟踪
• 2.3.2 多文档自动文摘
• 2.3.3 自动问答
• 2.4 本章小结
• 第三章 事件融合系统整体设计
• 3.1 系统整体结构
• 3.2 语料准备
• 3.3 评价指标
• 3.4 本章小结
• 第四章 基于指代消解的元事件融合
• 4.1 引言
• 4.2 元事件融合基本框架
• 4.3 事件元素规格化
• 4.3.1 时间信息规格化
• 4.3.2 命名实体指代消解
• 4.3.3 数字规格化
• 4.3.4 空间信息规格化
• 4.3.5 其它元素规格化
• 4.4 共指元事件的聚类
• 4.4.1 句子相似度计算
• 4.4.2 元事件相似度计算
• 4.4.3 聚类算法
• 4.4.4 共指元事件聚类的实验与分析
• 4.5 事件元素合并
• 4.5.1 事件元素可信度计算
• 4.5.2 元素值可信度调整
• 4.5.3 元素值的融合
• 4.5.4 事件元素融合的实验与分析
• 4.6 本章小结
• 第五章 话题型事件融合
• 5.1 引言
• 5.2 话题事件信息融合的基本框架
• 5.3 话题事件表示模型
• 5.3.1 事件的表示模型
• 5.3.2 基于元事件的话题事件表示模型的定义
• 5.4 侧面事件与话题事件的相关度计算
• 5.4.1 特征提取
• 5.4.2 相关度计算
• 5.5 话题融合的实验与分析
• 5.5.1 实验基础
• 5.5.2 评价指标的定义
• 5.5.3 实验与结果分析
• 5.6 本章小结
• 第六章 总结与展望
• 6.1 本文总结
• 6.2 未来工作
• 参考文献
• 攻读学位期间公开发表的论文
• 致谢