1 / 18

基于条件随机场的否定与不确定信息检测研究

基于条件随机场的否定与不确定信息检测研究. 陈站成 邹博伟 朱巧明 李培峰. 报 告 内 容. 研究背景 研究现状 模型介绍 实验及分析 总结及展望. 研 究 背 景. 背景 目前信息抽取都不鉴定信息的真伪或可靠性,而在实际语言或文本中,却存在大量否定或不确定信息。 为了保证通过信息抽取技术所获取知识的准确性,应将此类信息与事实信息分开处理。. 研 究 背 景. 否定信息 对某种现象或事件存在或发生的否认 。 不确定信息 事物的类属边界或性质状态不明确,是人们对事物性质状态的模糊认识的反映。不确定是自然语言语义的一个基本属性。.

kent
Télécharger la présentation

基于条件随机场的否定与不确定信息检测研究

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript


  1. 基于条件随机场的否定与不确定信息检测研究 陈站成 邹博伟 朱巧明 李培峰

  2. 报 告 内 容 研究背景 研究现状 模型介绍 实验及分析 总结及展望

  3. 研 究 背 景 • 背景 • 目前信息抽取都不鉴定信息的真伪或可靠性,而在实际语言或文本中,却存在大量否定或不确定信息。 • 为了保证通过信息抽取技术所获取知识的准确性,应将此类信息与事实信息分开处理。

  4. 研 究 背 景 • 否定信息 • 对某种现象或事件存在或发生的否认。 • 不确定信息 • 事物的类属边界或性质状态不明确,是人们对事物性质状态的模糊认识的反映。不确定是自然语言语义的一个基本属性。 • eg1,巴塞罗那主席罗塞尔表示不会在今年夏天之前签下内马尔。 • eg2,国际金价持续下跌的原因可能是周五塞浦路斯央行卖出黄金储备。

  5. 研 究 背 景 • 否定与不确定信息检测 • CoNLL’2010首次组织了不确定信息评测任务:表达不确定含义的词或短语称为触发词。 • 本文以汉语科技文献为基础,基于CRF模型,通过识别表示不确定含义的词或短语来检测否定与不确定信息。 eg. It suggested that increase of ER levels play an important role in the pathogenesis of gynecomastia.

  6. 研 究 现 状 • 英语研究现状 • 基于规则的方法 • Chapman等(2001)提出正则表达式的匹配算法,判断医学术语是否包含在否定信息之内。 • 基于机器学习的方法 • Morante等(2009)使用三个浅层句法特征分类器进行否定与不确定信息序列标注。 • Agarwal等(2010)基于CRF模型在平衡数据下识别否定与不确定信息。

  7. 研 究 现 状 • 汉语研究现状 • 语言学角度 • 孙也平(1978)根据词性将否定词分为否定动词和否定副词,探讨了否定词的用法。 • 张红梅(2006)对现代汉语否定句在语义上表现出的不确定倾向进行了分析、探讨。 • 崔晓菊等(2013)对模糊语言中模糊词语的意义表征作以探讨。 • 自动识别 • 计峰等(2010)在新闻语料上标注了不确定信息,并利用触发词的信息构建了句子的评分模型,来识别不确定性信息。

  8. 模 型 介 绍 • 条件随机场模型通常被用来进行序列数据识别,在自然语言处理中已被用于分词、词性标注、命名实体识别及相关研究。 • 计算公式如下: • X为观察序列集,Y为标记序列集,e为随机场对应无向图中节点集,v为无向图中节点间的边集。

  9. 模 型 介 绍 • 标注集:CueType = { BCue, ICue ,OCue} • 当基本单位是触发词第一个词时,用BCue标识; • 当基本单位是触发词内非第一个词时,用ICue标识; • 其它情况下,用OCue标识。 • 特征集 • 基于字和基于词是两种基本方法 • 以“查询时间基本不受M值的影响”为例。 • 分词后:查询时间 基本 不 受 M 值 的 影响 • 字边界特征:B M M E B E S S S S S B E • 字的词性特征取所在词的词性。

  10. 模 型 介 绍 • 特征模板 • 本文选择了当前字或词以及上下 • 文各字、词、词性组成特征模板集。 • 窗口长度的不同也影响系统性能, • 把窗口长度作为特征之一。

  11. 实 验 • 实验语料:将语料(Chen et al,2013) • 按论文篇数均分成两部分,训练语料共2421 • 句,测试语料共2421句。 • 工具:采用中科院分词系统ICTCLAS对语 • 料进行分词以及词性标注,选取CRF++0.58 • 训练模型。 • 评价指标

  12. 实 验 • 实验包括三个内容: • 针对本文上述提及的特征进行实验,在特征模板窗口分别为1、3、5的条件下对所有特征及其组合进行实验验证。 • 本文实现了Agarwal等(2010)提出的系统,将该系统作为基准系统与本文系统进行比较。 • 构建平衡语料来评估原始数据的不平衡性给系统带来的影响。

  13. 结 果 分 析 • 在特征模板窗口分别为1、3、5时,对所有特征及其组合进行实验验证。 • 各类特征均在特征模板窗口 • 为3时达到最好的性能。 • 与特征模板窗口长度为1的系 • 统相比,特征模板窗口长度为 • 3的系统利用了较多的上下文 • 信息。 • 特征模板窗口长度为5的系统 • 虽然加入了更多的上下文信息, • 但对模型来说,却造成了数据 • 稀疏,反而导致了系统性能的 • 下降。

  14. 结 果 分 析 • 在最佳特征模板窗口长度 • 下,不同特征下的否定与不 • 确定信息检测系统性能比较。 • 否定基于词最高68.03%, • 不确定基于字最高43.02%。 • 在相同实验条件下,否定 • 信息检测系统的性能普遍高 • 于不确定信息检测系统。

  15. 结 果 分 析 • 最佳系统与基准系统结果比较。 • 否定与不确定信息检测最佳系统性能比基准系统性能分别高出5.09%、6.93%,表明仅使用Agarwal(2010)中的原始特征是不够的。 • 在英语中最小单位是词,在汉语中最小单位可以是字,不确定检测在字框架下效果更好。

  16. 结 果 分 析 • 在使用语料上,使用基准系统平衡数据的方法,测试数据不平衡给系统带来的影响。 • 对于否定信息检测任务,当数据平衡后,F值反而下降,表明在否定信息检测中使用特征足够时,数据平衡对否定信息检测并无积极影响。 • 对于不确定信息检测任务,数据平衡后的F值提高了13.54%,这与否定信息检测任务是不同的。

  17. 总 结 及 展 望 • 总结 • 仅仅利用词特征是不够的,上下文信息的增加对否定与不确定信息检测性能的提高是有效的。 • 基于字的效果并不一定比基于词的效果差,在不确定信息检测时基于字更好。 • 实验结果表明英文中处理方法并不适合汉语否定与不确定信息检测,尤其是否定信息检测时,数据平衡性能反而下降。 • 展望 • 将否定与不确定信息检测任务有区分的对待、处理。 • 后续工作也可以着眼于细粒度的否定与不确定信息识别。

  18. 谢谢

More Related