基于综合支持度的广义空间实体关系特征词提取方法

doi:10.3969/j.issn.1006-2475.2014.08.007

计算机与现代化

基于综合支持度的广义空间实体关系特征词提取方法

（国防科学技术大学电子科学与工程学院，湖南长沙410073）

收稿日期:2014-05-12 出版日期:2014-08-15 发布日期:2014-08-19
作者简介:姜伟(1989-),男,江西上饶人,国防科学技术大学电子科学与工程学院硕士研究生,研究方向：摄影测量与遥感; 钟志农（1975-）,男,副教授, 博士,研究方向：数据挖掘,地理信息处理; 吴烨(1986-),男,博士研究生,研究方向：信息系统与信息技术。

Method of Abstracting Feature Words of Generalized Spatial Entity Relationship #br# Based on Synthesis Supporting Probability

(College of Electronic Science and Engineering, National University of Defense Technology, Changsha 410073, China)

Received:2014-05-12 Online:2014-08-15 Published:2014-08-19

摘要/Abstract

摘要：

广义空间实体关系特征词能够正确表示两实体之间的关系及其语义信息。为了准确地提取关系特征词，基于关系候选词的位置、

词性和词频等特征，定义综合支持度，用于评价该词成为关系特征词的可能性。基于综合支持度，提出关系特征词提取模型。最后对搜

狐网页新闻中的组织机构与人物（ORG-PER）和地名与人物（LOC-PER）两类数据进行测试，实验表明，该模型提取关系特征词的准确率

达到90%左右。

关键词: 广义空间实体, 关系提取, 关系特征词, 候选词, 支持度

Abstract:

Feature words of relation between generalized spatial entities can express these relations and semantics

of them accurately. In order to abstract feature words precisely, firstly, based on location, speech and frequency

of candidate word around entities, this paper defined synthesis supporting probability, aiming at evaluating the

likelihood of becoming feature word. Secondly, a mode for abstracting feature words was proposed. Finally,

experiments were carried on ORG-PER data and LOC-PER data in Sohu news, which achieved a precision about 90%.

Key words: generalized spatial entity, relation abstracting, feature word, candidate word, supporting probability

中图分类号:

TP301.6

姜伟，钟志农，吴烨，陈荦，李杰. 基于综合支持度的广义空间实体关系特征词提取方法[J]. 计算机与现代化, doi: 10.3969/j.issn.1006-2475.2014.08.007.

JIANG Wei, ZHONG Zhi-nong, WU Ye, CHEN Luo, LI Jie. Method of Abstracting Feature Words of Generalized Spatial Entity Relationship #br# Based on Synthesis Supporting Probability[J]. Computer and Modernization, doi: 10.3969/j.issn.1006-2475.2014.08.007.

参考文献［17］

［1］	钟志农，李军，景宁,等. 地理信息系统原理及应用［M］. 北京：国防工业出版社， 2013.
［2］	赵忠明,周天颖,严泰来,等. 空间信息技术原理及其应用［M］. 北京：科学出版社， 2013.
［3］	陈玉泉,朱锡钧,陆汝占. 文本数据的数据挖掘算法［J］. 上海交通大学学报, 2000,34(7):936-938.
［4］	黄高辉,姚天昉,刘全升. 基于CRF算法的汉语比较句识别和关系抽取［J］. 计算机应用研究, 2010，27(6):2061-2064.
［5］	蒋文明. 面向中文文本的空间方位关系抽取方法研究［D］. 南京：南京师范大学， 2010.
［6］	徐健,张智雄,吴振新. 实体关系抽取的技术方法综述［J］. 现代图书情报技术, 2008(8):18-23.
［7］	孙即祥. 现代模式识别［M］. 北京：高等教育, 2002.
［8］	刘安安. 开放式中文实体关系抽取研究［D］. 哈尔滨：哈尔滨工业大学, 2013.
［9］	张志田. 无监督关系抽取方法研究［D］. 哈尔滨：哈尔滨工业大学, 2007.
［10］	Akiko Aizawa. An information-theoretic perspective of tf-idf measures ［J］. Information Processing &
	Management, 2003,39(1):45-65.
［11］	黄鑫,朱巧明,钱龙华,等. 基于特征组合的中文实体关系提取［J］. 微电子学与计算机, 2010,27(4):198-200， 204.
［12］	邓攀，樊孝忠，杨立公. 用语义模式提取实体关系的方法［J］. 计算机工程, 2007,33(10):212-214.
［13］	丁凡,王斌,白硕,等. 文档检索中句法信息的有效利用研究［J］. 中文信息学报, 2008,22(4):66-74.
［14］	化柏林. 知识抽取中的停用词处理技术［J］. 现代图书情报技术, 2007(8):48-51.
［15］	牟静娟，包宏. 中文实体关系抽取研究［J］. 计算机工程与设计, 2009,30(15):3587-3590.
［16］	刘方驰,钟志农,雷霖,等. 基于机器学习的实体关系抽取方法［J］. 兵工自动化, 2013,32(9):57-62.
［17］	夏天. 中文信息相似度计算理论与方法［M］. 郑州: 河南科学技术出版社, 2009.

[1]	陈卓, 李鑫, 杜军威, 袁玺明. 面向化工企业事故的根原因关联分析[J]. 计算机与现代化, 2020, 0(10): 1-6.
[2]	王致强，乐嘉锦，陈德华. 基于甲亢临床指标的多维时间序列关联度分析[J]. 计算机与现代化, 2016, 0(4): 12-15.
[3]	杨建萍,年梅. 基于维基百科网络技术的概念语义网络构建[J]. 计算机与现代化, 2016, 0(1): 1-5,45.
[4]	王琼. 一种改进的k-means文本聚类优化方法[J]. 计算机与现代化, 2015, 0(3): 48-51,56.
[5]	万宇文，黄林颖，甘登文. 基于权值的关联规则挖掘改进算法[J]. 计算机与现代化, 2014, 0(4): 73-76.
[6]	唐新宇;陈晓明. 最小支持度在教学质量评价系统中的数据挖掘应用 [J]. 计算机与现代化, 2012, 8(08): 160-162.
[7]	黄秋勇;唐爱龙. 关联规则在图像数据挖掘中的应用[J]. 计算机与现代化, 2009, 1(10): 98-3.

基于综合支持度的广义空间实体关系特征词提取方法

Method of Abstracting Feature Words of Generalized Spatial Entity Relationship #br# Based on Synthesis Supporting Probability

可视化

被引次数

摘要/Abstract

引用本文

使用本文

参考文献［17］

相关文章 7

编辑推荐

Metrics

本文评价

基于综合支持度的广义空间实体关系特征词提取方法

Method of Abstracting Feature Words of Generalized Spatial Entity Relationship #br# Based on Synthesis Supporting Probability

可视化

被引次数

摘要/Abstract

引用本文

使用本文

参考文献 ［17］

相关文章 7

编辑推荐

Metrics

本文评价

参考文献［17］