[发明专利]一种基于语义空间映射的语义关系表征、聚类及识别的方法和系统

说明书

技术领域

本发明属于文本语义信息处理技术领域，具体涉及一种基于语义空间映射的语义关系表征、聚类及识别的方法和系统。

背景技术

随着计算机的普及与网络技术的发展，各种海量的数据以电子文本的形式呈现出来，如何从中抽取出用户所关心的语义信息至关重要，除了实体抽取，用户往往会更加关心实体间的语义关系究竟是什么，因为语义关系才真正反映了数据互联的本质，将纷繁的实体世界有机地结合在一起，它在诸多领域都具有重要的应用价值：如在信息检索系统中，实体关系抽取技术使实现类似于“Which city is the capital of China”这样的语义检索功能成为可能；在自动应答系统中，实体关系抽取技术能够自动关联问题和相关的答案；在本体学习过程中，实体关系抽取技术能够发现新的实体间关系并用来进一步丰富本体结构；在语义网标注任务中，关系抽取能够自动关联语义网知识单元，等等。

然而，目前的实体关系抽取技术主要是基于种子模式迭代搜索的方法或者是基于自然语言处理的方法，它们最终抽取出的是一种确定性的关系描述，而这种确定性描述在词语变形、同义词变化、语法形式变化等情况下的鲁棒性不强，导致在此基础上的关系间语义比较的准确性不高，从而给后续的应用需求如关系聚类或识别带来了困难。

发明内容

本发明针对当前实体间语义关系抽取技术背景的不足，提出了一种基于语义空间映射的语义关系表征、聚类及识别的方法和系统。

本发明提出的基于语义空间映射的语义关系表征、聚类及识别的方法，具体步骤为： 

1、输入实体对及语句，即输入待查询的实体对，及同时包含该对实体的语句；

2、抽取实体间关系，对于待抽取关系的实体对，对同时包含它们的语句进行语法依存关系分析；包括语法依存关系分析和最短路径计算；其中：

语法依存关系分析是对输入的语句进行语法依存分析，获得文本单元间的语法依赖关系。

最短路径计算是将语法依存树看作是一个Graph，并将输入实体对看作是Graph中的两个感兴趣结点，同时令各结点间的边的权值均为1；采用最短路径算法求解出该两个感兴趣结点间的最短路径，并用该路径来描述两个结点之间发生关系的实质内容；

3、关系语义向量表征，即对路径上的词语进行过滤处理，去除其中无语义的停用词；然后对每一个单词，获取其在语义空间中的投影向量，并将这些语义向量进行累加，获得该关系在语义空间上的向量表示；

4、关系聚类，

在关系向量化的基础上，对于多实体对的场景，使用聚类方法并结合向量相似性度量，进行关系聚类；

5、关系模型构建模块，对于完成聚类的实体对的每一类关系，根据其向量集合构建关系模型，

6、最后，进行关系识别，即依据该向量与预先标定关系的语义距离实现关系的识别。

具体是，对于待查询实体对，在按步骤（1）-（3）所述获得其关系向量表征后，将该向量与关系模型库中的关系模型依次进行比较，例如：对均值向量模型、高斯模型，可直接比较向量间相似度或者是计算输入向量属于模型的概率值，遍历后取最高值对应的类别作为输出；对人工神经网络、支持向量机，则是直接输出对应的类别。

根据上述输出的类别，从关系模型库中取出预先标注的相应类的关系标签赋给输入实体对，从而完成了关系的识别过程。

本发明提供的基于上述方法的系统，由六大模块组成：实体对及语句输入模块、实体间关系抽取模块、关系语义向量表征模块、关系聚类模块、关系模型构建模块、关系识别模块，其中，实体间关系抽取模块又包括两个子模块：语法依存关系分析子模块和最短路径计算子模块。

其具体内容如下：

（1）实体对及语句输入模块，用于输入待查询的实体对，及同时包含该对实体的语句；所述语句既可以是单句，也可以是从语句资源库中筛选出的满足条件的多句。 

（2）实体间关系抽取模块，具体包括以下两个子模块：

语法依存关系分析子模块和最短路径计算子模块：

（2.1）语法依存关系分析子模块，用于对输入的语句进行语法依存分析，获得文本单元间的语法依赖关系。这里，凡是具备语法依存分析功能的工具均可使用，优选地，可使用美国斯坦福大学的Stanford Parser （http://nlp.stanford.edu/software/index.shtml）；

（2.2）最短路径计算子模块，具体内容如下：