基于條件隨機(jī)場(chǎng)的汽車領(lǐng)域術(shù)語抽取

李 麗 雙， 黨 延 忠， 張 婧， 李 丹

（1.大連理工大學(xué) 計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院，遼寧 大連 116024；2.大連理工大學(xué) 管理科學(xué)與工程學(xué)院，遼寧 大連 116024）

0 引 言

術(shù)語是代表特定學(xué)科領(lǐng)域基本概念的語言單元，可以是詞也可以是詞組，在我國(guó)又稱為名詞或科技名詞.術(shù)語抽取是信息處理領(lǐng)域中一項(xiàng)重要的研究任務(wù)，在詞典編撰、領(lǐng)域本體構(gòu)建［1］、機(jī)器翻譯等領(lǐng)域都有重要的應(yīng)用.

目前比較常用的術(shù)語抽取方法主要有三大類：一是基于規(guī)則的方法，主要是根據(jù)語言學(xué)及領(lǐng)域知識(shí)制定相應(yīng)的規(guī)則模板，與規(guī)則模板匹配的視為術(shù)語，此方法受限于規(guī)則模板的質(zhì)量，不夠靈活.二是基于統(tǒng)計(jì)的方法，又分為基于統(tǒng)計(jì)量度和統(tǒng)計(jì)機(jī)器學(xué)習(xí)的方法.目前常用的統(tǒng)計(jì)量參數(shù)有頻率、假設(shè)檢驗(yàn)（t檢驗(yàn)、卡方檢驗(yàn)等）、似然比、信息熵和互信息.文獻(xiàn)［2］通過計(jì)算字串的互信息得到候選術(shù)語，最終取得75%的F－值.文獻(xiàn)［3］提出一種基于質(zhì)子串分解的算法，利用C－value和F－MI參數(shù)來進(jìn)行術(shù)語的抽取.由于沒有大規(guī)模的標(biāo)注語料，基于統(tǒng)計(jì)機(jī)器學(xué)習(xí)方法的中文領(lǐng)域術(shù)語抽取的研究不多，文獻(xiàn)［4］和［5］基于條件隨機(jī)場(chǎng)（CRFs）對(duì)科技術(shù)語和軍事領(lǐng)域術(shù)語進(jìn)行抽取，F(xiàn)－值分別達(dá)到84.4%和76.46%.文獻(xiàn)［6］利用隱馬爾可夫模型對(duì)計(jì)算機(jī)術(shù)語進(jìn)行識(shí)別.文獻(xiàn)［7］將語言學(xué)方法和統(tǒng)計(jì)方法進(jìn)行一體化處理，同時(shí)考慮了詞所在句子的術(shù)語度，利用CRFs進(jìn)行計(jì)算機(jī)領(lǐng)域術(shù)語抽取，F(xiàn)－值為79.64%.三是統(tǒng)計(jì)與規(guī)則相結(jié)合的方法，文獻(xiàn)［8］首先利用語言學(xué)規(guī)則獲取候選術(shù)語，再利用統(tǒng)計(jì)的方法進(jìn)行過濾.文獻(xiàn)［9］首先利用C－value和互信息獲取候選術(shù)語，然后根據(jù)術(shù)語的詞性規(guī)則和詞典特征進(jìn)行過濾，最終F－值達(dá)到42%.本文主要就汽車領(lǐng)域的術(shù)語抽取任務(wù)展開討論，分析該領(lǐng)域術(shù)語的特點(diǎn)及抽取難點(diǎn)，利用目前較為流行的條件隨機(jī)場(chǎng)（CRFs）模型，選取詞、詞性、詞典及頻率等特征進(jìn)行汽車領(lǐng)域術(shù)語的抽取.

1 汽車領(lǐng)域的術(shù)語抽取

1.1 汽車領(lǐng)域術(shù)語

本文利用有監(jiān)督的統(tǒng)計(jì)機(jī)器學(xué)習(xí)方法進(jìn)行領(lǐng)域術(shù)語抽取，需要一定規(guī)模的帶標(biāo)簽的訓(xùn)練語料.由于沒有標(biāo)注好的汽車領(lǐng)域標(biāo)準(zhǔn)語料，需要人工標(biāo)注.目前缺少一個(gè)關(guān)于汽車領(lǐng)域術(shù)語的統(tǒng)一標(biāo)準(zhǔn)，本文對(duì)《汽車行業(yè)名詞術(shù)語匯編》中和汽車零部件相關(guān)的7 525個(gè)術(shù)語進(jìn)行了學(xué)習(xí)和分析，統(tǒng)計(jì)得到單詞型術(shù)語占9%，由兩個(gè)單詞組成的復(fù)雜術(shù)語占35%，三詞術(shù)語占31%，四、五、六詞術(shù)語分別占15%、6%、2%，七詞及以上術(shù)語占2%，即復(fù)雜術(shù)語一般由2～4個(gè)單詞組成，占全部術(shù)語的81%，符合中文術(shù)語的一般性特點(diǎn).為了方便人工標(biāo)注，本文分析了汽車領(lǐng)域術(shù)語的特點(diǎn)并借助前人對(duì)領(lǐng)域術(shù)語特點(diǎn)的研究成果，制定了一定的標(biāo)注標(biāo)準(zhǔn)，凡是符合標(biāo)注標(biāo)準(zhǔn)的詞都被視為汽車領(lǐng)域的術(shù)語.標(biāo)注標(biāo)準(zhǔn)如下：

（1）描述或表示汽車的詞，一般是隨著汽車領(lǐng)域的產(chǎn)生和發(fā)展而出現(xiàn)的，比如“轎車”“兩廂車”等，由于汽車領(lǐng)域外來詞匯比較多，通常情況下人們會(huì)用外文直接描述，像類似于 “SUV”（運(yùn)動(dòng)型多用途汽車）“RV”（休閑車）等英文單詞或縮略詞也歸于汽車領(lǐng)域術(shù)語.

（2）表示汽車零部件或組成成分的詞，如“底盤”“后視鏡”，另外像“氣門”“活塞”等機(jī)械領(lǐng)域的詞，雖然不是專屬于汽車領(lǐng)域的，但也是描述汽車結(jié)構(gòu)或功能所必需的，視為領(lǐng)域術(shù)語.

（3）與汽車相關(guān)的系統(tǒng)或結(jié)構(gòu)，如“防抱死制動(dòng)系統(tǒng)”“高壓共軌系統(tǒng)”等，相應(yīng)的英文縮略詞同樣作為術(shù)語.

（4）一些詞在通用領(lǐng)域也有應(yīng)用，但是在汽車領(lǐng)域表示特定的含義，如“抬頭”“塌屁股”描述的是汽車的某種狀態(tài)，可作為汽車術(shù)語.

（5）要遵循術(shù)語應(yīng)盡可能詳細(xì)和完整的原則，如類似“1.6升5缸發(fā)動(dòng)機(jī)”“四行程發(fā)動(dòng)機(jī)缸內(nèi)燃油直噴技術(shù)”，要將其作為一個(gè)整體.

（6）描述汽車品牌及其型號(hào)的詞語在本文中不作為領(lǐng)域術(shù)語，可單獨(dú)作為一類詞進(jìn)行識(shí)別.

（7）文章中若出現(xiàn)英文縮寫和中文譯文聯(lián)合使用的情況，按兩個(gè)術(shù)語分別標(biāo)注.如“ABS（防抱死制動(dòng)系統(tǒng)）”，標(biāo)注為“ABS”和“防抱死制動(dòng)系統(tǒng)”兩個(gè)術(shù)語.

1.2 汽車領(lǐng)域術(shù)語抽取任務(wù)的特點(diǎn)

通過對(duì)汽車領(lǐng)域術(shù)語特點(diǎn)的分析可以看出領(lǐng)域術(shù)語在結(jié)構(gòu)上比較復(fù)雜，所以與一般的命名實(shí)體識(shí)別相比，領(lǐng)域術(shù)語的自動(dòng)抽取具有其特殊性，具體表現(xiàn)在：

（1）沒有明確的關(guān)于領(lǐng)域術(shù)語的定義，不能清晰地界定術(shù)語的邊界.目前已有的詞典或是詞表不足以涵蓋全部的術(shù)語，而且隨著技術(shù)的進(jìn)步，新的產(chǎn)品或應(yīng)用會(huì)不斷增多，相應(yīng)的術(shù)語表示也會(huì)不斷豐富.比如“綠色汽車”“零公里”是近幾年提出的概念.

（2）由于汽車領(lǐng)域引入國(guó)外技術(shù)比較多，在表述時(shí)多采用音譯詞或是英文縮寫，比如“皮卡”（“pick－up”的音譯）“RV”（休閑車），而且由于使用習(xí)慣等原因，在表述時(shí)使用的不同的名稱代表同一事物，比如“皮卡”和“轎卡”就代表同一類型汽車，在使用時(shí)比較隨意，沒有特定的用法.

（3）汽車領(lǐng)域的術(shù)語模式多變，表現(xiàn)在長(zhǎng)度、詞性、組成模式等方面.例如，“懸架”和“綜合電子控制動(dòng)力轉(zhuǎn)向系統(tǒng)”相差10個(gè)字長(zhǎng)，還有類似于“可變預(yù)行程tics系統(tǒng)”和“D2T式制動(dòng)器”的中英文混合術(shù)語.

（4）一般的命名實(shí)體（人名、地名或組織機(jī)構(gòu)名等）通常會(huì)存在比較明顯的特征詞，上下文環(huán)境也相對(duì)規(guī)律，而就汽車領(lǐng)域術(shù)語而言很難找出比較統(tǒng)一的特點(diǎn)，而且中英文混用的現(xiàn)象明顯.

（5）領(lǐng)域術(shù)語的一個(gè)公共特點(diǎn)就是存在嵌套（網(wǎng)狀術(shù)語），比如“曲軸箱換氣式二行程發(fā)動(dòng)機(jī)”，其中“曲軸箱”“二行程發(fā)動(dòng)機(jī)”“發(fā)動(dòng)機(jī)”本身又都分別作為術(shù)語出現(xiàn).

2 基于CRFs的領(lǐng)域術(shù)語抽取

條件隨機(jī)場(chǎng)是一種判別式圖模型，由Lafferty等于2001年提出.CRFs同時(shí)具備最大熵模型（ME）和隱馬爾可夫模型（HMM）的特點(diǎn)，不存在HMM那樣嚴(yán)格的獨(dú)立性假設(shè)，而且其采用的是全局歸一化的方法，克服了最大熵馬爾可夫模型的標(biāo)記偏置問題，是目前處理序列化數(shù)據(jù)分割與標(biāo)注問題最好的統(tǒng)計(jì)機(jī)器學(xué)習(xí)模型，在分詞、命名實(shí)體識(shí)別等問題上已經(jīng)得到廣泛的應(yīng)用.雖然領(lǐng)域術(shù)語和一般的命名實(shí)體在自身結(jié)構(gòu)、所運(yùn)用的環(huán)境等方面有很大的不同，但是就其識(shí)別任務(wù)而言也有一定的相似性，故本文將領(lǐng)域術(shù)語的識(shí)別任務(wù)轉(zhuǎn)化為序列標(biāo)注問題，利用CRFs進(jìn)行汽車領(lǐng)域術(shù)語的識(shí)別.

汽車領(lǐng)域術(shù)語識(shí)別的基本流程是：

（1）獲取語料，進(jìn)行去噪、去重、分詞和詞性標(biāo)注等一系列預(yù)處理.

（2）選取合適的特征，使用CRFs訓(xùn)練模型.

（3）在測(cè)試語料上用訓(xùn)練出來的模型進(jìn)行識(shí)別.

（4）分析結(jié)果.

2.1 語料預(yù)處理

從網(wǎng)頁上爬取一定規(guī)模的原始語料，去除HTML標(biāo)簽提取網(wǎng)頁正文，獲得純文本.將獲取的純文本語料使用本實(shí)驗(yàn)室開發(fā)的分詞工具對(duì)語料進(jìn)行分詞和詞性標(biāo)注處理.本文將術(shù)語識(shí)別任務(wù)轉(zhuǎn)換為序列標(biāo)注問題，采用目前比較流行的BIO短語組塊標(biāo)記方法來表示序列的標(biāo)注結(jié)果，其中B表示術(shù)語的開始，即首詞；I表示術(shù)語除首詞以外的部分；O表示其他非術(shù)語詞，如“鼓／B式／I制動(dòng)器／I一般／O用于／O后輪／B”.

2.2 特征選取

基于CRFs的術(shù)語抽取，選擇合適的特征很關(guān)鍵.文獻(xiàn)［4］使用詞本身和詞性作為特征，文獻(xiàn)［5］選取了6個(gè)特征，即詞本身、詞性、左信息熵、右信息熵、互信息和TF／IDF.文獻(xiàn)［7］將術(shù)語的統(tǒng)計(jì)信息融合到CRFs模型的特征中，并使用背景語料來強(qiáng)化詞語的術(shù)語特性，即使用了詞的頻率、領(lǐng)域頻率差、詞頻的Rank值，以及術(shù)語所在句子的信息.本文總結(jié)了前人的工作，并結(jié)合汽車領(lǐng)域術(shù)語的特點(diǎn)，選取了9個(gè)特征，分別介紹如下：

（1）詞本身Word

根據(jù)領(lǐng)域術(shù)語的特性可知，有些詞只在本領(lǐng)域流通，故詞本身包含了術(shù)語最大的信息，所以使用詞本身作為特征.

（2）詞性POS

通過對(duì)已有的汽車術(shù)語資源分析可知雖然組成詞性模式有很多種，但是大部分是名詞性短語，統(tǒng)計(jì)得到前三位詞性組合模式為“n＋n”“v＋n”“n”，可見詞性對(duì)于術(shù)語的識(shí)別是一個(gè)重要特征.另外，汽車領(lǐng)域中一些術(shù)語由中英文搭配組成，用詞性作為特征可以將此種情況考慮在內(nèi).

（3）詞的長(zhǎng)度WordLen

領(lǐng)域術(shù)語中有一部分詞是未登錄詞，通用的分詞系統(tǒng)對(duì)于未登錄詞的處理辦法通常是分成單個(gè)字，比如“排擋桿”被標(biāo)記為“排／v 擋 ／Ng桿／Ng”，可以利用這個(gè)特性，通過考慮當(dāng)前詞的長(zhǎng)度來判斷其是否作為術(shù)語中的一部分.

（4）是否在已知詞典中IsDic

本文整理的詞典中共7 525條術(shù)語，由3 109個(gè)詞組成，可知一些詞不止在一個(gè)術(shù)語中出現(xiàn).由2.1的分析可知，復(fù)雜術(shù)語占80%以上，單詞在復(fù)雜術(shù)語中出現(xiàn)的位置信息可以作為一項(xiàng)特征.經(jīng)分析統(tǒng)計(jì)，詞典中的3 109個(gè)詞按在術(shù)語中的所處位置可分為以下6種情況：

（i）只作為單詞性術(shù)語，如“外胎”，詞典中不存在其出現(xiàn)在復(fù)雜術(shù)語中的情況.此類詞共166個(gè)，占5.34%，記為OS；

（ii）可單獨(dú)使用也可以作為復(fù)雜術(shù)語的一部分，占8.11%，記為DS；

（iii）只出現(xiàn)在復(fù)雜術(shù)語的開頭，占14.09%，記為DB；

（iv）只作為復(fù)合詞的結(jié)尾，占20.75%，記為DE；

（v）只出現(xiàn)在復(fù)合詞的中間位置（針對(duì)由兩個(gè)以上的詞組成的術(shù)語），占40.59%，記為DI；

（vi）只出現(xiàn)在復(fù)合詞中，但其出現(xiàn)的位置不固定，占11.13%，記為OD.

根據(jù)以上分析，本文將詞典特征分為7個(gè)值，分別為OS、DS、DB、DE、DI、OD、O，其中O為當(dāng)前詞不在詞典中.

（5）當(dāng)前詞前后窗口大小范圍內(nèi)的詞的詞典特征WinDic

文獻(xiàn)［9］指出，一個(gè)候選術(shù)語，如果其前后窗口大小范圍內(nèi)的詞中，已在詞典中存在的詞所占的比例大于一定閾值，則此候選術(shù)語也被視為術(shù)語.文獻(xiàn)［10］分析得到一個(gè)領(lǐng)域通用詞，如“是”，其周圍的詞通常是領(lǐng)域相關(guān)的.本文結(jié)合這兩個(gè)特點(diǎn)，將上下文的詞典特征分為3種類型：一是當(dāng)前詞窗口范圍內(nèi)的詞在詞典中出現(xiàn)的比例大于閾值且當(dāng)前詞也在背景語料中出現(xiàn)，其值為1；二是比例大于閾值，但是當(dāng)前詞不在背景語料中出現(xiàn)，值記為2；三是除去一、二外的情況，值記為3.

文獻(xiàn)［7］將術(shù)語的統(tǒng)計(jì)信息融合到CRFs模型的特征中，并使用背景語料來強(qiáng)化詞語的術(shù)語特性.本文借鑒文獻(xiàn)［7］中采用的統(tǒng)計(jì)特征，在前文介紹的特征的基礎(chǔ)上加入和頻率有關(guān)的特征（6）～（9）：

（6）當(dāng)前詞在領(lǐng)域語料中的頻率DomainFreq

記C＿word為當(dāng)前詞在語料中出現(xiàn)的頻次，C為語料中的總詞數(shù)，則當(dāng)前詞的頻率為

由于計(jì)算出的頻率值是浮點(diǎn)數(shù)，不能直接用于CRFs的特征值，可以把浮點(diǎn)值按大小分為幾類，本文按五類劃分，即特征值取1到5.

（7）當(dāng)前詞在背景語料中的頻率ContrastFreq

選用計(jì)算機(jī)語料作為背景領(lǐng)域語料，共8 014行，20 800個(gè)詞.頻率的計(jì)算方法和特征值的取值方法與汽車領(lǐng)域相同.

（8）當(dāng)前詞在兩類語料中的頻率差ΔFreq

（9）當(dāng)前詞所在句子中的所有詞的語料頻率差之和Sen＿ΔFreq

3 實(shí) 驗(yàn)

3.1 實(shí)驗(yàn)數(shù)據(jù)

使用Heritrix從“太平洋汽車網(wǎng)”的“汽車知識(shí)”版塊爬取約500篇網(wǎng)頁，去除HTML標(biāo)簽等噪音得到純文本文檔，進(jìn)行去重處理，得到約1MB的領(lǐng)域語料，共529 651字.為了減少數(shù)據(jù)不平衡的影響，將語料分成5組，進(jìn)行5倍交叉測(cè)試.

以第一組數(shù)據(jù)為例，測(cè)試語料中共2 069條術(shù)語（不包含重復(fù)），將分詞后的組成成分的個(gè)數(shù)作為計(jì)算詞長(zhǎng)的標(biāo)準(zhǔn)，如“汽車發(fā)動(dòng)機(jī)”分詞后為“汽車／t發(fā)動(dòng)機(jī)”，計(jì)其詞長(zhǎng)為2.經(jīng)過分析可以看出本語料包含的術(shù)語在長(zhǎng)度上基本符合一般領(lǐng)域術(shù)語的分布規(guī)律.各長(zhǎng)度所占比例如圖1所示.

圖1 測(cè)試語料中各長(zhǎng)度的術(shù)語所占比例Fig.1 The proportion of each length term in test corpus

3.2 實(shí)驗(yàn)結(jié)果

3.2.1 評(píng)價(jià)標(biāo)準(zhǔn)及結(jié)果 采用準(zhǔn)確率（P）、召回率（R）以及F－值作為評(píng)價(jià)指標(biāo)（術(shù)語數(shù)包含重復(fù)個(gè)數(shù)），計(jì)算方法如下：

本文采用了9個(gè)特征進(jìn)行術(shù)語抽取，為了驗(yàn)證特征的有效性，將各組特征分別加入到特征集中，實(shí)驗(yàn)結(jié)果如表1所示，其中各組結(jié)果均為交叉測(cè)試得到的平均值.

表1 不同特征的識(shí)別結(jié)果Tab.1 The results based on different features

由表1可以看出，使用詞本身、詞性、詞長(zhǎng)時(shí)正確率最高，加入詞典特征后正確率有所降低，召回率提高.加入詞典特征正確率反而降低，分析原因可能是有些字在有些詞中屬于術(shù)語的一部分，而在有些詞中則不是，比如詞典中的“差速器”分詞后為“差／速／器”，而在語料中，“差”這個(gè)字多用在“之／差”、“較／差”等詞中，從而干擾了正確率.在前6個(gè)特征的基礎(chǔ)上加入詞在領(lǐng)域語料和背景語料的頻率特征后召回率增加，正確率略有降低，F(xiàn)－值達(dá)到82.50%.加入詞所在句子的頻率特征后召回率達(dá)到最高的80.63%，但同時(shí)也導(dǎo)致正確率降低，F(xiàn)－值略有降低.

3.2.2 不同長(zhǎng)度的詞的識(shí)別結(jié)果 統(tǒng)計(jì)各個(gè)長(zhǎng)度術(shù)語的識(shí)別的情況，結(jié)果見表2.

表2 各個(gè)長(zhǎng)度的術(shù)語的識(shí)別情況Tab.2 The identification results of different lengths of terms

其中百分比是指各長(zhǎng)度正確識(shí)別的術(shù)語（不包含重復(fù)詞）占測(cè)試語料中該長(zhǎng)度的術(shù)語數(shù)的比例.從表中可以看出，簡(jiǎn)單術(shù)語識(shí)別效果最好，5詞以上復(fù)雜術(shù)語的識(shí)別效果最差.

3.3 識(shí)別結(jié)果分析

以第一組為例分析實(shí)驗(yàn)結(jié)果，發(fā)現(xiàn)錯(cuò)誤主要集中在以下幾個(gè)方面：

（1）識(shí)別詞語不全，如“多連桿懸架橫梁”識(shí)別成了“連桿懸架橫梁”，“雙重防震懸架橫梁”識(shí)別成了“懸架橫梁”.

（2）由于分詞錯(cuò)誤導(dǎo)致的錯(cuò)誤，如“定鉗式盤式制動(dòng)器”被識(shí)別成“下定鉗式盤式制動(dòng)器”，因?yàn)榉衷~的結(jié)果是“裝／v下定／v鉗／Ng式／k盤／qr式／k制動(dòng)器／n”，CRFs模型共識(shí)別出1 437個(gè)術(shù)語（不包含重復(fù)），其中錯(cuò)誤的占323個(gè)，有17個(gè)詞是因?yàn)榉衷~錯(cuò)誤導(dǎo)致的.

（3）識(shí)別出的詞比正確的術(shù)語多出一部分，除去因?yàn)榉衷~錯(cuò)誤的情況外，還有比如“車載gps”識(shí)別成“車載gps價(jià)格”，“減速器”識(shí)別成“帶有減速器”的情況.

（4）由于沒有統(tǒng)一的標(biāo)準(zhǔn)，在標(biāo)注上有一些歧義，比如根據(jù)標(biāo)注規(guī)則，“3.2升fsi發(fā)動(dòng)機(jī)”被判定為一個(gè)術(shù)語，但是識(shí)別結(jié)果是“fsi發(fā)動(dòng)機(jī)”，類似的還有“車蠟”被識(shí)別成“高檔車蠟”，這類詞不能斷定其錯(cuò)誤，和術(shù)語判定標(biāo)準(zhǔn)有關(guān).

（5）一些詞不被認(rèn)為是汽車領(lǐng)域的術(shù)語，但因其自身特點(diǎn)或其所處上下文環(huán)境和術(shù)語類似也可能被識(shí)別出來，比如“激光”“超聲波”等.

（6）由于人工標(biāo)注上不可避免的錯(cuò)誤導(dǎo)致識(shí)別結(jié)果不正確.

由表2可知單詞型術(shù)語識(shí)別效果最好，長(zhǎng)術(shù)語較差.其中，單詞型術(shù)語中諸如“SUV”“RV”等英文縮寫詞識(shí)別效果較差，分析原因可能是由于這類詞所處的語言環(huán)境相對(duì)不固定，再加上語料稀疏.長(zhǎng)術(shù)語識(shí)別效果較差可能是由于出現(xiàn)頻次少，組成詞串的各個(gè)詞之間的聯(lián)系不緊密.

4 與其他方法的比較

文獻(xiàn)［7］用語言學(xué)和統(tǒng)計(jì)相結(jié)合的方法從計(jì)算機(jī)科學(xué)領(lǐng)域論文中抽取計(jì)算機(jī)術(shù)語，將語料的語言學(xué)特征和統(tǒng)計(jì)學(xué)特征綜合起來作為CRFs訓(xùn)練的特征，進(jìn)行術(shù)語抽取，其在計(jì)算機(jī)科學(xué)領(lǐng)域中抽取計(jì)算機(jī)術(shù)語的最高F－值達(dá)到79.64%.其采用的特征分別為詞本身、詞性、當(dāng)前詞在兩類語料中的詞頻差ΔFreq和當(dāng)前詞所在句子中的所有詞的語料頻率差之和Sen＿ΔFreq.本文將文獻(xiàn)［7］的方法在選用的語料上進(jìn)行了實(shí)驗(yàn).選取的特征與文獻(xiàn)［7］相同，進(jìn)行5倍交叉驗(yàn)證，實(shí)驗(yàn)結(jié)果如表3所示.從表3可以看出，本文的方法比采用文獻(xiàn)［7］的模型其F－值高2.11%.實(shí)驗(yàn)結(jié)果表明，對(duì)汽車領(lǐng)域，本文通過選取有效的特征，建立了有效的術(shù)語抽取模型.

表3 與文獻(xiàn)［7］的比較Tab.3 Comparison with Lit.［7］

基于CRFs的方法必須以標(biāo)注語料為基礎(chǔ)，人工標(biāo)注語料費(fèi)時(shí)費(fèi)力，因此研究初期本文也采用了基于統(tǒng)計(jì)量的無監(jiān)督方法在語料上進(jìn)行了實(shí)驗(yàn).將術(shù)語抽取分為候選術(shù)語抽取和術(shù)語確定兩步，文本預(yù)處理上采用Pat－tree結(jié)構(gòu).Pat－tree采用半無限長(zhǎng)字符串，是一種壓縮的二叉查詢樹，可以快速地得到任意長(zhǎng)度的字符串及其在文本中出現(xiàn)的頻次.候選術(shù)語利用計(jì)算詞串內(nèi)部關(guān)聯(lián)度［9］（SEF）和外部關(guān)聯(lián)度［9］（C－value）獲取.術(shù)語的確定利用候選術(shù)語和候選詞鄰接詞的詞性信息.本文總結(jié)了正確術(shù)語的詞性組合規(guī)律，從3 000行已標(biāo)注語料統(tǒng)計(jì)術(shù)語前后的詞性搭配情況，構(gòu)建詞性規(guī)則庫，把不在規(guī)則庫中的候選詞串過濾，剩下的則是最終正確的汽車領(lǐng)域術(shù)語.用該方法在同樣語料上測(cè)試的F－值為15.41%，要遠(yuǎn)低于基于CRFs的有監(jiān)督的機(jī)器學(xué)習(xí)方法.這主要是由于語料的規(guī)模和數(shù)據(jù)稀疏問題導(dǎo)致統(tǒng)計(jì)信息不足，在很大程度上影響了無監(jiān)督的統(tǒng)計(jì)方法在汽車領(lǐng)域語料上的術(shù)語抽取效果.

5 結(jié) 語

本文主要針對(duì)汽車領(lǐng)域進(jìn)行術(shù)語抽取，將其轉(zhuǎn)化為序列標(biāo)注問題，使用CRFs模型將詞、詞性、詞典、領(lǐng)域頻率等多個(gè)有效特征整合，采用交叉驗(yàn)證的方法，最終的F－值達(dá)到82.50%，由于CRFs模型融合了多種有效特征，在汽車領(lǐng)域術(shù)語的抽取實(shí)驗(yàn)中取得了較好的效果.

［1］溫 春，王曉斌，石昭祥.中文領(lǐng)域本體學(xué)習(xí)中術(shù)語的自動(dòng)抽?。跩］.計(jì)算機(jī)應(yīng)用研究，2009，26（7）：2652－2655.WEN Chun，WANG Xiao－bin，SHI Zhao－xiang.Automatic domain－specific term extraction in Chinese domain ontology learning ［J］.Application Research of Computers，2009，26（7）：2652－2655.（in Chinese）

［2］張 鋒，許 云，侯 艷，等.基于互信息的中文術(shù)語抽取系統(tǒng)［J］.計(jì)算機(jī)應(yīng)用研究，2005，22（5）：72－73.ZHANG Feng， XU Yun， HOU Yan，etal.Chinese term extraction system based on mutual information ［J］.Application Research of Computers，2005，22（5）：72－73.（in Chinese）

［3］何婷婷，張 勇.基于質(zhì)子串分解的中文術(shù)語自動(dòng)抽?。跩］.計(jì)算機(jī)工程，2006，32（23）：188－189.HE Ting－ting，ZHANG Yong.Automatic Chinese term extraction based on decomposition of prime string［J］.Computer Engineering，2006，32（23）：188－189.（in Chinese）

［4］劉 豹，張桂平，蔡?hào)|風(fēng).基于統(tǒng)計(jì)和規(guī)則相結(jié)合的科技術(shù)語自動(dòng)抽取研究［J］.計(jì)算機(jī)工程與應(yīng)用，2008，44（23）：147－150.LIU Bao，ZHANG Gui－ping，CAI Dong－feng.Technical term automatic extraction research based on statistics and rules ［J］.Computer Engineering and Applications，2008，44（23）：147－150.（in Chinese）

［5］ZHENG D Q，ZHAO T J，YANG J.Research on domain term extraction based on conditional random fields［C］／／ICCPOL 2009，LNAI 5459.Berlin：Springer－Verlag，2009：290－296.

［6］岑詠華，韓 哲，季培培.基于隱馬爾科夫模型的中文術(shù)語識(shí)別研究［J］.現(xiàn)代圖書情報(bào)技術(shù)，2008（12）：54－58.CHEN Yong－h(huán)ua，HAN Zhe，JI Pei－pei.Chinese term recognition based on hidden Markov model［J］.New Technology of Library and Information Service，2008（12）：54－58.（in Chinese）

［7］章承志.基于多層術(shù)語度的一體化術(shù)語抽取研究［J］.情報(bào)學(xué)報(bào)，2011，28（3）：275－285.ZHANG Cheng－zhi.Using integration strategy and multi－level termhood to extract terminology ［J］.Journal of the China Society for Scientific and Technical Information，2011，28（3）：275－285.（in Chinese）

［8］周 浪，史樹敏，馮 沖，等.基于多策略融合的中文術(shù)語抽取方法［J］.情報(bào)學(xué)報(bào)，2010，29（3）：460－467.ZHOU Lang，SHI Shu－min，F(xiàn)ENG Chong，etal.A Chinese term extraction system based on multistrategies integration ［J］.Journal of the China Society for Scientific and Technical Information，2010，29（3）：460－467.（in Chinese）

［9］JI L，SUM M，LU Q，etal.Chinese terminology extraction using window－based contextual information［C］／／ CICLing 2007，LNCS 4394.Berlin：Springer－Verlag，2007：62－74.

［10］YANG Y H，LU Q，ZHAO T J.Chinese term extraction using minimal resources ［C］／／Proceedings of the 22ndInternational Conference on Computational Linguistics.Manchester：［s n］，2008：1033－1040.