新媒體新聞事件識(shí)別與抽取算法結(jié)構(gòu)的構(gòu)建

文/尹雪婷

1 引言

隨著Internet和社會(huì)的飛速發(fā)展，各種新聞數(shù)量呈指數(shù)增長(zhǎng)，如何準(zhǔn)確地從海量、混亂無(wú)序且結(jié)構(gòu)性差的的新聞中獲取到人們所關(guān)心的信息成為急需要解決的問(wèn)題。事件抽取就是在這種需求背景下應(yīng)運(yùn)而生。本文擬在構(gòu)建當(dāng)代新媒體新聞事件抽取算法，以期能夠?qū)π侣勑畔⑦M(jìn)行有效的抽取，推動(dòng)相關(guān)領(lǐng)域的技術(shù)進(jìn)步。

2 構(gòu)建新媒體新聞事件識(shí)別與抽取算法結(jié)構(gòu)

本文當(dāng)代新媒體新聞事件抽取算法構(gòu)建如圖1所示。

2.1 構(gòu)建初始觸發(fā)詞集

事件觸發(fā)詞的識(shí)別方法主要有三種，分別是：基于統(tǒng)計(jì)的方法、基于規(guī)則的方法和機(jī)器學(xué)習(xí)方法。基于統(tǒng)計(jì)的方法是利用人工統(tǒng)計(jì)出文本中的所有觸發(fā)詞，進(jìn)而構(gòu)建較為完整的觸發(fā)詞集。此方法簡(jiǎn)單易行，但是一方面要求訓(xùn)練語(yǔ)料規(guī)模足夠大，另一方面，在實(shí)施的過(guò)程中主要依靠經(jīng)驗(yàn)，主觀性大。基于規(guī)則的方法是指根據(jù)定義一定的規(guī)則來(lái)選取觸發(fā)詞，此方法能夠在一定程度上提高觸發(fā)詞的識(shí)別效率，但是該方法主要依靠指定的規(guī)則。基于機(jī)器學(xué)習(xí)的方法主要利用特征集來(lái)訓(xùn)練觸發(fā)詞識(shí)別分類器，把觸發(fā)詞識(shí)別問(wèn)題轉(zhuǎn)化為分類問(wèn)題。該方法引入自動(dòng)化模式，能夠大量減少人工干預(yù)，但是對(duì)語(yǔ)料的規(guī)模要求較高。通過(guò)對(duì)實(shí)驗(yàn)語(yǔ)料的分析，將觸發(fā)詞分類并進(jìn)行匯總整理成初始觸發(fā)詞表，然后可以通過(guò)此觸發(fā)詞表，為事件類別識(shí)別提供一定的參考價(jià)值。

2.2 獲取候選事件集

圖1：算法基本構(gòu)建示意圖

通常情況下，一篇新聞報(bào)道有許多個(gè)句子構(gòu)成。并不是所有的句子都是人們所關(guān)心的內(nèi)容，所以，本文通過(guò)事件觸發(fā)詞選擇出人們所需要的信息。本文把這些含有觸發(fā)詞的句子認(rèn)為是候選事件，并將其所包含的觸發(fā)詞對(duì)應(yīng)的事件類型作為該事件的類別標(biāo)簽。但是，并不是所有候選事件為真正的候選事件(候選事件并不屬于其所對(duì)應(yīng)的類別標(biāo)簽，即不是子事件)。

由于事件抽取是根據(jù)是否包含觸發(fā)詞來(lái)判斷是否是候選事件的，所以在候選事件獲取時(shí)觸發(fā)詞識(shí)別是否正確對(duì)結(jié)果影響很大。其次，由于實(shí)驗(yàn)語(yǔ)料的限制，觸發(fā)詞的數(shù)量更是少之又少。導(dǎo)致候選事件獲取的召回率很低，對(duì)觸發(fā)詞集不進(jìn)行擴(kuò)展時(shí)，會(huì)導(dǎo)致大量事件流失，所以對(duì)觸發(fā)詞集進(jìn)行擴(kuò)充，從而獲得很多的候選事件，使候選事件獲取的召回率提高。本文利用觸發(fā)詞-候選事件同步獲取算法對(duì)進(jìn)行觸發(fā)詞進(jìn)行擴(kuò)展同時(shí)獲取候選事件集，該算法的具體描述如下：

（1）根據(jù)實(shí)驗(yàn)語(yǔ)料建立初始觸發(fā)詞集T，T={t1,t2……tp}，對(duì)實(shí)驗(yàn)語(yǔ)料進(jìn)行預(yù)處理得到句子集 S={s1,s2……sn}，其中 si={wi1,wi2……wim}，wij表示組成句子si的某個(gè)詞語(yǔ)。

（2）對(duì)于句子集S中每一個(gè)句子si，計(jì)算wij與tk的相似度，如果相似度大于閾值λ，執(zhí)行步驟（5），否則執(zhí)行步驟（3）。

（3）k=k+1，若k≤p，執(zhí)行步驟（2），否則，執(zhí)行步驟（4）。

（4）j=j+1，若j≤m，k=1，執(zhí)行步驟（2），否則，執(zhí)行步驟（6）。

（5）將wij存進(jìn)觸發(fā)詞集T中，將句子si存進(jìn)候選事件集C中，二者的類別均定義為Typek。

（6）結(jié)束

3 基于二元分類（SVM）的候選事件類別識(shí)別與抽取

本文之前利用觸發(fā)詞-候選事件同步獲取法，獲取了觸發(fā)詞集并得到了很多的候選事件，并給這些候選事件賦予了唯一的類別標(biāo)簽。但是，并不是所有的候選事件都是真正的候選事件，即候選事件并不屬于當(dāng)前的類別標(biāo)簽。所以，本文將候選事件是否為真當(dāng)成是一個(gè)二元分類問(wèn)題，利用當(dāng)前相應(yīng)的分類算法過(guò)濾出真正的候選事件。

支持向量機(jī)(Support Vector Machine)SVM主要解決得是線性可分的情況，對(duì)于線性不可分的情況，可以通過(guò)利用一些常見(jiàn)的映射方法將線性不可分的實(shí)驗(yàn)數(shù)據(jù)轉(zhuǎn)化為線性可分，再用線性的應(yīng)對(duì)方法解決問(wèn)題。從候選事件集中獲取到了真正的候選事件和其所對(duì)應(yīng)的類別標(biāo)簽。如何正確地抽取出真正的事件元素，完成事件元素識(shí)別的過(guò)程，則需要遵循以下步驟：

首先需要識(shí)別出子事件中每一個(gè)實(shí)體元素。通過(guò)本文之前制作好的抽取模板抽取出候選實(shí)體元素。將按模板從事件中抽取出的每一個(gè)實(shí)體元素看做成候選Argument，按照抽取模板給每一個(gè)候選Argument一個(gè)角色標(biāo)簽。然后，選取相應(yīng)的特征，利用最大熵模型識(shí)別出真正的事件元素。

4 結(jié)論

事件抽取是當(dāng)前信息抽取領(lǐng)域的熱點(diǎn)研究之一，具有很好的前景并在很多方面都有廣泛的應(yīng)用。目前，當(dāng)代新媒體新聞事件抽取算法的研究研究才剛起步，本文也僅僅對(duì)事件抽取的關(guān)鍵環(huán)節(jié)做了一定的研究。未來(lái)還需要更多的方面需要去改進(jìn)和發(fā)展。

參考文獻(xiàn)

[1]彭籍沖,王紅斌.基于跨語(yǔ)言信息投影的泰語(yǔ)新聞事件抽取[J].信息技術(shù),2017(12):10-13+17.

[2]裴東輝.中文新聞事件抽取方法研究[D].昆明理工大學(xué),2015.

[3]潘清清.越南語(yǔ)新聞事件元素抽取方法研究[D].昆明理工大學(xué),2014.