中文文本的地理命名實(shí)體標(biāo)注

張雪英，朱少楠，張春菊

南京師范大學(xué)虛擬地理環(huán)境教育部重點(diǎn)實(shí)驗(yàn)室，江蘇南京210046

1 引 言

全球技術(shù)研究和咨詢公司2002年調(diào)查報(bào)告表明，未來(lái)10年中至少95%的人機(jī)交互信息是文本語(yǔ)言，而80%以上的文本中涉及地理信息描述［1］。文本、圖形／圖像／地圖、GIS和虛擬地理環(huán)境是現(xiàn)實(shí)世界和虛擬世界應(yīng)用的主要地理語(yǔ)言［2］。除了傳統(tǒng)的攝影測(cè)量和地圖數(shù)字化手段之外，GPS、遙感影像、文本等已成為新型的重要地理信息來(lái)源［3－4］。實(shí)現(xiàn)文本中地理信息的語(yǔ)義解析，有助于更加深入地理解空間認(rèn)知和空間語(yǔ)言的表達(dá)規(guī)律，建立自然語(yǔ)言與GIS計(jì)算模型之間的語(yǔ)義映射關(guān)系，可廣泛應(yīng)用于GIS空間查詢、地理信息檢索、空間推理等方面［9－12］。在文本描述中，空間概念可能頻繁改變，而且涉及不同的實(shí)體、空間關(guān)系、屬性等信息［5－8］。這些信息在文本中主要采用特定的空間詞匯和定性方式進(jìn)行表達(dá)，但是在詞匯、句法和語(yǔ)義等方面存在較為明顯的不確定性。語(yǔ)料庫(kù)不僅是語(yǔ)言定性、定量分析研究的基礎(chǔ)，而且支持特定領(lǐng)域的應(yīng)用系統(tǒng)開(kāi)發(fā)［13－15］。標(biāo)注體系構(gòu)建的任務(wù)是對(duì)語(yǔ)言中特定信息進(jìn)行分析，發(fā)現(xiàn)文本中特定領(lǐng)域信息的語(yǔ)言結(jié)構(gòu)（比如詞、詞組、句法模式等），建立描述它們的元數(shù)據(jù)［16］。不同層次標(biāo)注的語(yǔ)料庫(kù)是文本信息解析系統(tǒng)的必備資源，為其提供標(biāo)準(zhǔn)化的訓(xùn)練和測(cè)試數(shù)據(jù)。相關(guān)標(biāo)注體系和語(yǔ)料庫(kù)的匱乏是阻礙文本中地理信息解析的重要因素［17］。

地理標(biāo)記語(yǔ)言（geography markup language，GML）以一種互聯(lián)網(wǎng)上容易共享的方式來(lái)描述、表達(dá)現(xiàn)實(shí)世界中的地理信息。GML定義數(shù)據(jù)的格式和數(shù)據(jù)內(nèi)容，提供一個(gè)描述地理對(duì)象的框架。KML（keyhole markup language）是基于XML（extensible markup language）語(yǔ)法和文件格式的文件，用來(lái)描述和保存地理信息，并在Google Earth客戶端中顯示。GML和KML是當(dāng)前應(yīng)用最廣的兩種地理信息標(biāo)記語(yǔ)言，主要面向結(jié)構(gòu)化、定量化地理信息的描述、表達(dá)和保存，且二者具有較好的兼容性。GUM（generalized upper model）是一個(gè)通用語(yǔ)言驅(qū)動(dòng)本體，將自然語(yǔ)言中空間表達(dá)式形式化為：SpatialLocating SL（locatum"XX"，placement GL（hasSpatial－Modality XX，relatum"XX"｜hasSpatialModality XX，relatum"XX"＋quantitativeDistance－Extent"XX"，relatum"XX"）），SpatialModality指連接、相離、左、右、遠(yuǎn)等關(guān)系狀態(tài)［18］。TRML（toponym resolution markup language）是用于標(biāo)注英文文本中地名及其要素名稱、幾何類型、經(jīng)緯度、上層實(shí)體等屬性的標(biāo)注體系［19］。GeoTagger與TRML較為類似，可以對(duì)不同類型不同語(yǔ)言的文檔進(jìn)行地名標(biāo)注，已應(yīng)用于MetaCarta公司的智能化地名搜索系統(tǒng)。TESLA（the geospatial language annotator）是專用于實(shí)時(shí)路徑描述的語(yǔ)音語(yǔ)料標(biāo)注系統(tǒng)，與GIS數(shù)據(jù)庫(kù)相結(jié)合，構(gòu)建了PURSUIT語(yǔ)料庫(kù)，對(duì)路徑描述中的坐標(biāo)、街道、交叉口、地址和標(biāo)志性點(diǎn)狀實(shí)體進(jìn)行了標(biāo)注［20－21］。SpatialML定義了文本中地名及其空間關(guān)系的標(biāo)注體系，并擴(kuò)展為ACE（automatic content extraction）英文文本空間關(guān)系抽取評(píng)測(cè)語(yǔ)料庫(kù)的標(biāo)注規(guī)范［17］。20世紀(jì)80年代以來(lái)，面向語(yǔ)言學(xué)和信息抽取方法研究，國(guó)內(nèi)相繼建立了一些大型的標(biāo)注語(yǔ)料庫(kù)。但是，絕大多數(shù)都沒(méi)有考慮空間語(yǔ)義的表達(dá)與解析問(wèn)題。哈爾濱工業(yè)大學(xué)對(duì)中文版《伊索寓言》中的地名、人、物等實(shí)體和空間關(guān)系進(jìn)行了標(biāo)注［22］。文獻(xiàn)［23］初步探討了中文文本的空間語(yǔ)義角色標(biāo)注，并以30篇標(biāo)注文本為數(shù)據(jù)集，測(cè)試了中文文本中地理實(shí)體、空間關(guān)系和空間過(guò)程的信息抽取效果。綜上所述，GUM、TRML和SpatialML等較為完善的標(biāo)注體系適用于英文文本中地名標(biāo)注，而針對(duì)漢語(yǔ)的相關(guān)研究尚處于初步探索階段，缺乏較大規(guī)模的應(yīng)用型標(biāo)注語(yǔ)料庫(kù)。

2 中文文本和GIS中地理實(shí)體描述與表達(dá)機(jī)制的差異

命名實(shí)體是自然語(yǔ)言處理、信息抽取和文本數(shù)據(jù)挖掘等領(lǐng)域廣泛使用的概念，通常指文本中描述具有特定意義實(shí)體的特殊短語(yǔ)，包括人名、地名、機(jī)構(gòu)名、專有名詞等［24］。地理命名實(shí)體（geographical named entities，GNE）可看成是特定領(lǐng)域的命名實(shí)體，即文本中描述具有地理位置特性的命名實(shí)體，包括地名、地址、機(jī)構(gòu)名、郵政編碼等，具有模糊性、不確定性和多維動(dòng)態(tài)等特點(diǎn)［25］。地名是地理命名實(shí)體的重要組成部分，具有濃厚的語(yǔ)言表達(dá)特征［26－27］。具體來(lái)講，中文文本中地理命名實(shí)體的語(yǔ)言描述特征包括：① 用字較自由、分散，但具有相對(duì)集中的覆蓋能力［28］；② 結(jié)尾常有特征詞，比如“省、路、山”等；③ 附加方位詞，比如 “五臺(tái)山”是一個(gè)地名，而“五臺(tái)山北部”則是一個(gè)完整的地理命名實(shí)體；④ 大多數(shù)情況下作為名詞出現(xiàn)，有時(shí)作為形容詞修飾其他實(shí)體，如“［老山］洋槐蜜”；⑤ 有的地理命名實(shí)體沒(méi)有具體名稱，但是根據(jù)上下文中的空間位置關(guān)系描述，可以對(duì)其進(jìn)行空間定位，比如“南師大正門前的池塘”中的“池塘”是一個(gè)地理命名實(shí)體，但不是一個(gè)嚴(yán)格意義上的地名。很顯然，中文文本和GIS中對(duì)于地理實(shí)體的描述與表達(dá)機(jī)制存在較大的差異（表1）。

表1 中文文本與GIS中地理實(shí)體描述與表達(dá)機(jī)制的差異Tab.1 Difference of representation of geographical entities in Chinese text and GIS

3 地理命名實(shí)體的標(biāo)注體系

地理命名實(shí)體標(biāo)注體系側(cè)重于地理實(shí)體在文本中的空間語(yǔ)義表達(dá)，同時(shí)考慮信息的兼容、共享與交換性能。本文以XML為標(biāo)記元語(yǔ)言，設(shè)計(jì)了地理命名實(shí)體的標(biāo)注體系。地理命名實(shí)體采用〈GNE〉標(biāo)簽，包括4個(gè)屬性：①id是標(biāo)注單元序號(hào)；②type和typecode分別描述地理實(shí)體的要素類型和代碼，本文樣例中分類參考《地理命名實(shí)體要素類型分類體系（GNEC）》［29］；③form，標(biāo)識(shí)地理命名實(shí)體的具名和不具名特性，NAM和NOM分別指示有具體名稱和無(wú)具體名稱的地理實(shí)體；④mod，文本中經(jīng)常存在對(duì)地理命名實(shí)體的一些限制性修飾（如方位詞），為了便于實(shí)體的空間位置語(yǔ)義解析，這些詞匯作為實(shí)體的mod屬性標(biāo)注。

在標(biāo)注過(guò)程中，需要考慮漢語(yǔ)中地理實(shí)體描述的語(yǔ)言特點(diǎn)。地理命名實(shí)體的標(biāo)注以句子為單位，在保證空間位置語(yǔ)義基本完整的前提下，對(duì)地理實(shí)體概念進(jìn)行最小語(yǔ)義單元的標(biāo)注，具體標(biāo)注定義如下。

（1）組合式地理命名實(shí)體：對(duì)于不同等級(jí)連續(xù)描述的地理命名實(shí)體，按照地理范圍進(jìn)行分級(jí)標(biāo)注。

（2）并列式地理命名實(shí)體：以頓號(hào)、短劃線或其他符號(hào)分隔的地理命名實(shí)體，如果單獨(dú)標(biāo)注會(huì)破壞空間語(yǔ)義的完整性，則整體進(jìn)行標(biāo)注。

（3）關(guān)聯(lián)式地理命名實(shí)體：多個(gè)地理命名實(shí)體與上下文連接起來(lái)描述某種空間關(guān)系，將實(shí)體分開(kāi)標(biāo)注。

若一個(gè)或多個(gè)具名的地理命名實(shí)體和一個(gè)不具名的地理命名實(shí)體合起來(lái)表示一個(gè)地理實(shí)體，則進(jìn)行整體標(biāo)注。

（4）后綴式地理命名實(shí)體。

空間關(guān)系詞匯：地理命名實(shí)體通常后接表示方位詞，指示實(shí)體的區(qū)域范圍，此類詞匯作為地理命名實(shí)體的屬性標(biāo)注。

地理概念：一個(gè)地理命名實(shí)體與表示地理要素類型詞語(yǔ)合起來(lái)表示一個(gè)新的地理實(shí)體，則進(jìn)行整體標(biāo)注。

混合型：空間方位詞加岸、麓、坡等地理要素概念構(gòu)成的實(shí)體名稱，如上游、南岸、南麓，南坡等，首先標(biāo)注為空間關(guān)系詞匯〈SIGNAL〉，然后作為地理實(shí)體的mod屬性。

（5）指代名稱：地理命名實(shí)體在下文中通常以指代名稱出現(xiàn)，如××省、××縣在下文通常表達(dá)為“省、市、縣”，或者下文中繼續(xù)描述該地理實(shí)體的“北部、東部”等。如果指代名稱與完整地理實(shí)體名稱位于同一語(yǔ)句，則對(duì)指代名稱進(jìn)行標(biāo)注，否則不予標(biāo)注。

（6）地理分區(qū)：有些區(qū)域名稱描述的地理實(shí)體，并沒(méi)有固定邊界，如“中東地區(qū)”和“西北地區(qū)”等，需要進(jìn)行標(biāo)注。

（7）機(jī)構(gòu)名稱：機(jī)構(gòu)名稱具有空間位置的指示作用，作為地理命名實(shí)體標(biāo)注。

（8）替代性名稱：地理命名實(shí)體的別名、簡(jiǎn)稱等替代性名稱，需要標(biāo)注。但是，“意指（意為）［× ××］”等不作標(biāo)注。

（9）抽象概念：如果地理命名實(shí)體不包括地理位置含義，而是僅僅作為一個(gè)抽象概念使用，則不進(jìn)行標(biāo)注，如“［麥當(dāng)勞］24小時(shí)營(yíng)業(yè)”。

為了確定文本中地理實(shí)體的地理位置，標(biāo)注者可以使用整篇文章作為語(yǔ)義背景，或者參考常識(shí)知識(shí)和專業(yè)知識(shí)。如果文本中沒(méi)有明確的位置指示，可以不標(biāo)注地理參考，或者標(biāo)注為最高級(jí)別的行政區(qū)劃類別。例如，“蕪湖”可以指安徽省的“蕪湖市”，也可以指蕪湖市的蕪湖縣。

4 標(biāo)注語(yǔ)料庫(kù)

開(kāi)源自然語(yǔ)言處理軟件GATE，可接受XSD格式的schema文件，使用戶按照一定標(biāo)注框架對(duì)文本進(jìn)行標(biāo)注，同時(shí)提供標(biāo)注數(shù)據(jù)管理方案，經(jīng)過(guò)GATE處理的語(yǔ)料可統(tǒng)一存儲(chǔ)為XML格式。本文以《中國(guó)大百科全書(shū)中國(guó)地理》為源數(shù)據(jù)（約213萬(wàn)字），以GATE為標(biāo)注平臺(tái)（圖1），參考本文設(shè)計(jì)的地理命名實(shí)體標(biāo)注體系，建立了大規(guī)模的標(biāo)注語(yǔ)料庫(kù)GeoCorpus。

圖1 基于GATE的地理命名實(shí)體標(biāo)注界面Fig.1 Annotation interface of geographical named entities with GATE

表2 語(yǔ)料庫(kù)GeoCorpus中各大類標(biāo)注樣例Tab.2 Annotation samples of main classes in GeoCorpus

續(xù)表2

語(yǔ)料庫(kù)中各大類標(biāo)注樣例參見(jiàn)表2。地理命名實(shí)體標(biāo)注總數(shù)為7135個(gè)，其中大類“境界、政區(qū)與其他區(qū)域”3387個(gè)、“水系”1497個(gè)、“居民地及設(shè)施”983個(gè)、“地貌”958個(gè)、“交通”256個(gè)、“組織機(jī)構(gòu)”49個(gè)、“管線”等其他類5個(gè)；“國(guó)家行政區(qū)”、“自然地貌”、“河流”、“名勝古跡”、“居民地”、“湖泊”、“其他水系要素”、“非行政區(qū)域”、“鐵路”、“其他建筑物及其設(shè)施”10種要素類型的地理命名實(shí)體數(shù)量最多。從空間認(rèn)知的角度看，這些類型的地理實(shí)體具有較高的認(rèn)知顯著度，其語(yǔ)言描述特征具有一定的代表性。因此，盡管從數(shù)據(jù)量來(lái)看語(yǔ)料庫(kù)存在一定的不平衡性，但是仍然具有作為標(biāo)準(zhǔn)數(shù)據(jù)的研究和應(yīng)用能力。

5 結(jié) 論

探討中文文本中地理命名實(shí)體的標(biāo)注體系和語(yǔ)料庫(kù)標(biāo)注方法，不僅充分考慮中文文本的語(yǔ)言描述特點(diǎn)，而且在保證空間語(yǔ)義正確的情況下，能夠?qū)Ω鞣N不同類型的地理命名實(shí)體進(jìn)行標(biāo)注；以《中國(guó)大百科全書(shū)中國(guó)地理》為源數(shù)據(jù)的標(biāo)注語(yǔ)料庫(kù)，不僅規(guī)模較大，而且達(dá)到較高的標(biāo)注質(zhì)量，對(duì)中文文本中地理信息的語(yǔ)義解析有重要意義。下一步研究工作主要包括兩個(gè)方面：一是進(jìn)一步完善標(biāo)注體系，通過(guò)大規(guī)模普通網(wǎng)頁(yè)的標(biāo)注，解決語(yǔ)料庫(kù)的不平衡性問(wèn)題；二是與GIS數(shù)據(jù)庫(kù)相結(jié)合，開(kāi)發(fā)可視化的標(biāo)注工具，進(jìn)一步提高標(biāo)注效率和標(biāo)注質(zhì)量。

［1］ PALKOWSKY B，METACARTA I.A New Approach to Information Discovery—Geography Really Does Matter［C］∥Proceedings of the SPE Annual Technical Conference and Exhibition.Dallas：［s.n.］，2005.

［2］ LIN Hui，GONG Jianghua.On Virtual Geographic Environments［J］.Acta Geodaetica et Cartographica Sinica，2002，31（1）：1－6.（林暉，龔建華.論虛擬地理環(huán)境［J］.測(cè)繪學(xué)報(bào)，2002，31（1）：1－6.）

［3］ GOODCHILD M F.Citizens as Voluntary Sensors：Spatial Data Infrastructure in the World of Web 2.0［J］.International Journal of Spatial Data Infrastructures Research，2007（2）：24－32.

［4］ CHANG K T.Introduction to Geographic Information Systems［M］.New York：McGraw－Hill，2008.

［5］ HERSKOVITS A.Language and Spatial Cognition：An Interdisciplinary Study of the Prepositions in English［M］.London：Cambridge University Press，1986.

［6］ TALMY L.Toward a Cognitive Semantics：Concept Structuring Systems［M］.Cambridge：MA，MIT Press，2000.

［7］ TENBRINK T.Space，Time and the Use of Language：An Investigation of Relationships［M］.Berlin：Mouton de Gruyter，2007.

［8］ HOIS J，KUTZ O.Counterparts in Language and Space Similarity and Connection［C］∥Proceedings of the Fifth International Conference on Formal Ontology in Information Systems.［S.l.］：DFKI，2008.

［9］ FRANK A U.Qualitative Spatial Reasoning：Cardinal Directions as an Example［J］.International Journal of Geographical Information System，1996，10：269－290.

［10］ TAPPAN D.Knowledge－based Spatial Reasoning for Automated Scene Generation from Text Descriptions［D］.Las Cruces：New Mexico State University，2004.

［11］ JONES C B，PURVES R.Geographical Information Retrieval［J］.International Journal of Geographical Information Science，2008，22：219－228.

［12］ LIU Y，GUO Q H，WIECZOREK J，et al.Positioning Localities Based on Spatial Assertions［J］.International Journal of Geographical Information Science，2008，23（11）：1471－1501.

［13］ WEN Boyan.Corpus and It’s Application［J］.Foreign Language Learning Theory and Practice，2001，2：32－35.（文渤燕.語(yǔ)料庫(kù)及其作用［J］.國(guó)外外語(yǔ)教學(xué)，2001，2：32－35.）

［14］ SINCLAIR J.Corpus Concordance Collocation［M］.Shanghai：Shanghai Foreign Language Education Press，1995.（辛克萊.語(yǔ)料庫(kù)、檢索與搭配［M］.上海：上海外語(yǔ)教育出版社，1995.）

［15］ LIU Lianyuan.Study of Corpus for Contemporary Chinese Language［J］.Applited Linguistics，1996，3：2－9.（劉連元.現(xiàn)代漢語(yǔ)語(yǔ)料庫(kù)研制［J］.語(yǔ)言文字應(yīng)用，1996，3：2－9.）

［16］ KIM J D，OHTA T，TSUJII J I.Multilevel Annotation for Information Extraction［J］.Speech and Language Technology，2010，40：125－142.

［17］ MANI I，HITZEMAN J，RICHER J，et al.SpatialML：Annotation Scheme，Corpora，and Tools［C］∥Proceedings of the 6th International Conference on Language Resources and Evaluation.Morocco：LREC，2008.

［18］ TALMY L.The Fundamental System of Spatial Schemes in Language［J］.From Perception to Meaning：Image Schemes in Cognitive Linguistics，2005，1，199－263.

［19］ LEIDNER J L.Toponym Resolution in Text［D］.Scotland：Universal of Edinburgh，2007.

［20］ KILGOUR J，CARLETTAM J.The NITE XML Toolkit：Demonstration from Five Corpora［C］∥Proceedings of the 5th Workshop on NLP and XML：Multi－Dimensional Markup in Natural Language Processing.Trento：［s.n.］，2005：65－68.

［21］ CARLETTA J，KILGOUR J.The NITE XML Toolkit Meets the ICSI Meeting Corpus：Import，Annotation，and Browsing［C］∥Proceedings of Machine Learning for Multimodal Interaction：First International Workshop.Berlin：Springer－Verlag，2005：111－121.

［22］ LI Hanjing.Research on Spatial Conceptual Model Based on Natural Language Processing［D］.Harbin：Harbin Institute of Technology，2007.（李晗靜.基于自然語(yǔ)言處理的空間概念建模研究［D］.哈爾濱：哈爾濱工業(yè)大學(xué)，2007.）

［23］ LE Xiaoqiu.Research on Intelligent Web Search Engine of Unstructured Spatial Inofrmation［D］.Beijing：Institute of Remote Sensing Applications，2007.（樂(lè)小虬.非結(jié)構(gòu)化網(wǎng)絡(luò)空間信息智能搜索與服務(wù)研究［D］.北京：中國(guó)科學(xué)院遙感應(yīng)用研究所，2007.）

［24］ LI Yusen.Chinese Toponym Resolution and Visualization［D］.Chongqing：Chongqing University of Posts and Telecommunications，2009.（李玉森.面向空間位置服務(wù)的地名解析方法研究［D］.重慶：重慶郵電大學(xué)，2009.）

［25］ CAO Han.Research on Knowledge Representation and Reasoning Mechanism for Spatial Relation Reasoning［D］.Wuhan：Wuhan University，2002.（曹菡.空間關(guān)系推理的知識(shí)表示與推理機(jī)制研究［D］.武漢：武漢大學(xué)，2002.）

［26］ DONG Huirong.Probing the Thinking Mode and Social Psychology of the Hans in the View of Chinese Place Name［J］.Academic Exchange，2003（12）：138－141.（鄧慧蓉.從中國(guó)地名透視漢族人的思維方式和社會(huì)心理［J］.學(xué)術(shù)交流，2003（12）：138－141.）

［27］ WU Zhirong.Discussion on Place Name Words［J］.Map，2006（1）：42－43.（吳志榮.地名用字瑣談［J］.地圖，2006（1）：42－43.）

［28］ FENG Zhiwei.Empiricism－based Corpus Research［J］.Terminology Standardization ＆Information Technology，2007（1）：29－39.（馮志偉.基于經(jīng)驗(yàn)主義的語(yǔ)料庫(kù)研究［J］.術(shù)語(yǔ)標(biāo)準(zhǔn)化與信息技術(shù)，2007（1）：29－39.）

［29］ ZHANG Xueying，ZHANG Chunju，LV Guonian.Design and Analysis of a Classification Scheme of Geographical Named Entities［J］.Journal of Geo－Information Science，2010（2）：220－227.（張雪英，張春菊，閭國(guó)年.地理命名實(shí)體分類體系的設(shè)計(jì)與應(yīng)用分析［J］.地球信息科學(xué)，2010（2）：220－227.）