基于GATE框架的地理事件信息抽取設(shè)計(jì)與實(shí)現(xiàn)＊

張 偉，陳曉慧，岳 耀，李海崗

（1.信息工程大學(xué)，河南 鄭州 450000；2.61175部隊(duì)，山東 淄博 255000；3.地理信息工程國家重點(diǎn)實(shí)驗(yàn)室，陜西 西安 710000）

1 引 言

隨著科學(xué)技術(shù)的不斷進(jìn)步，尤其是互聯(lián)網(wǎng)的飛速發(fā)展，用戶不僅使用網(wǎng)絡(luò)下載各類數(shù)據(jù)，也會通過網(wǎng)絡(luò)通信產(chǎn)生大量信息內(nèi)容。如何實(shí)時處理和掌握各種 UGC（User Generated Contens）方式產(chǎn)生的地理空間隱喻數(shù)據(jù)，提取具有空間和時間屬性的地理事件信息，已成為地理空間情報(bào)領(lǐng)域研究的重要內(nèi)容。本文通過對地理事件本體模型的研究，以Gate自然語言處理框架為基礎(chǔ)，實(shí)現(xiàn)地理事件信息抽取，為地理事件分析和可視化提供支撐。

2 基于本體的地理事件語義模型

本體是哲學(xué)的概念，關(guān)注的是客觀現(xiàn)實(shí)的抽象本質(zhì)，最早引入信息科學(xué)的目的是為了解決信息唯一性的問題［1］。在信息抽取領(lǐng)域，本體是概念化的明確表述，避免概念之間的關(guān)系混淆，解決語義層次上信息共享。

2.1 地理事件概念解析

地理事件是時空數(shù)據(jù)模型研究過程中提出的概念、時空數(shù)據(jù)模型，主要有時間附加型，時間四維型、面向?qū)ο笮秃突谑录?種［2］。因?yàn)槊嫦虻膽?yīng)用領(lǐng)域不同，對地理事件也沒有統(tǒng)一定義，例如數(shù)據(jù)更新領(lǐng)域，地理事件是地理要素狀態(tài)與事件共同構(gòu)成時空對象模型，強(qiáng)調(diào)事件的動態(tài)性［3］；信息檢索領(lǐng)域，地理事件是發(fā)生在地表空間的各種自然和社會現(xiàn)象，強(qiáng)調(diào)靜態(tài)結(jié)果［4］。

本文從地理事件的本體出發(fā)，研究信息抽取領(lǐng)域地理事件的概念模型，給出基于本體的地理事件統(tǒng)一模型，為地理事件的信息抽取提供支撐。因此，信息抽取領(lǐng)域的地理事件是指與地理空間信息相關(guān)的對象，和它的時間、空間（位置、形狀和關(guān)系）、屬性等發(fā)生變化的地理現(xiàn)象。地理事件是一個＜Te，Le，Pe，E＞四元組集合，其中Te是地理現(xiàn)象的時間屬性，Le是地理想象的位置屬性，Pe是地理現(xiàn)象的非時空屬性，E是地理現(xiàn)象。

2.2 地理事件本體模型

Perez歸納了用于描述本體的基本建模原語包括［5］：類或概念、關(guān)系、函數(shù)、公理、實(shí)例。其中，基本關(guān) 系 有 part－of、kind－of、instance－of、attribute－of 4種。

地理事件本體定義為：GeoEvent－Ontology＝＜GEC、GER、GEH、GEP、GEI＞五元組。

（1）GEC——地理事件概念（本體中稱作類），表示具有相同屬性的對象集合。

（2）GER——地理事件語義關(guān)系，概念間的并列關(guān)系。

（3）GEH——地理事件層次關(guān)系，概念間的層次關(guān)系。

（4）GEP——地理事件屬性，主要有屬性對象和屬性限制。

（5）GEI——地理事件實(shí)例，即概念的現(xiàn)實(shí)實(shí)現(xiàn)。

2.3 基于本體的地理事件的語義描述

語義描述的方法有很多，其中 XML、RDF、OWL應(yīng)用廣泛。XML語言可創(chuàng)建具有語義的自定義標(biāo)簽，將數(shù)據(jù)與顯示分離，樹結(jié)構(gòu)表示，但是不能表達(dá)被機(jī)器識別的語義；RDF用URI來標(biāo)識事物，通過二元關(guān)系模型的有向圖結(jié)構(gòu)表示能被機(jī)器識別的知識表述語言；OWL是RDF擴(kuò)展，是本體描述語言［6］。

基于本體的地理事件語義描述采用OWL本體語言進(jìn)行描述，以地震事件為例，如下所示。

＜o(jì)wl：Class rdf：about＝“＃地震”＞

＜o(jì)wl：unionOf rdf：parseType＝“Collection”＞

＜o(jì)wl：Class rdf：about＝“＃特大地震”／＞

……

＜o(jì)wl：Class rdf：about＝“＃極小地震”／＞

＜／owl：unionOf＞

＜／owl：Class＞

3 基于GATE地理事件抽取的框架設(shè)計(jì)

3.1 GATE簡介

GATE（A General Architecture for Text Engineering），通用文本工程框架，是由Sheffield大學(xué)提供的一款基于java的開源軟件。GATE的主要功能是基于標(biāo)注的信息抽取，是計(jì)算機(jī)語言學(xué)（CL）、自然語言處理（NLP）、語言工程學(xué)（LE）的軟件基礎(chǔ)設(shè)施和開發(fā)工具。

3.1.1 GATE體系結(jié)構(gòu)

GATE是基于JavaBean的可重用組件式開發(fā)［7］，其核心是CREOLE組件集，具體劃分為3類組件。

（1）語言組件（LR）：主要包括數(shù)據(jù)相關(guān)的實(shí)體，例如文檔、語料庫、標(biāo)注等。

（2）處理組件（PR）：主要包括與算法相關(guān)的實(shí)體，例如解析器、生成器等，會對本體、詞表、規(guī)則等進(jìn)行操作。

（3）可視化組件（VR）：主要包括圖形組件，提供用戶圖形界面。

3類組件構(gòu)成了GATE的MVC體系框架，即模型－視圖－控制器的設(shè)計(jì)模式。

3.1.2 GATE的規(guī)則語言

GATE信息抽取采用基于規(guī)則的方法（有別于基于統(tǒng)計(jì)的方法），通過JAPE規(guī)則定義語言，實(shí)現(xiàn)命名實(shí)體的識別與標(biāo)注。JAPE規(guī)則的基本結(jié)果如下。

（1）每條規(guī)則（rule）分為左側(cè)（LHS）和右側(cè)（RHS）2部分。

（2）左側(cè)是標(biāo)注識別規(guī)則，包含操作符（｜，＊，？，＋）等標(biāo)注模式。

（3）右側(cè)是標(biāo)注操作規(guī)則，包含對標(biāo)注集操作的描述。

3.1.3 GATE組件開發(fā)

GATE執(zhí)行流程如下：通過建立Application應(yīng)用將相關(guān)的處理組件PR拼接起來，創(chuàng)建工作流水線對文本進(jìn)行處理。例如GATE內(nèi)置組件ANNIE等。

GATE提供了一個開發(fā)組件的環(huán)境架構(gòu)，在此架構(gòu)上可以開發(fā)自己的組件，支持架構(gòu)和組件導(dǎo)出（gate.jar），并且可以方便地嵌入到其他應(yīng)用程序中。自定義組件繼承于GATE的CREOLE資源的3類組件，一般包括jar包和xml及Jape規(guī)則制定，具體如下。

（1）建立基于GATE接口的java類，并編譯。（2）編寫XML配置數(shù)據(jù)。

（3）把JAR和XML集成到GATE中。

3.2 地理事件信息抽取框架設(shè)計(jì)

3.2.1 信息抽取

信息抽取就是從文本中抽取特定實(shí)體、關(guān)系及相關(guān)信息。MUC定義了信息抽取的5個類型［8］，包括：命名實(shí)體識別（NE）、共指消解（CO）、模板元素構(gòu)建（TE）、模板關(guān)系構(gòu)建（TR）和情景模板建立（ST）。

信息抽取常用方法有基于自然語言處理、基于規(guī)則、基于統(tǒng)計(jì)學(xué)習(xí)3種方法。其中基于統(tǒng)計(jì)學(xué)習(xí)是利用統(tǒng)計(jì)知識對未標(biāo)注語料進(jìn)行訓(xùn)練并獲取信息的方法；基于規(guī)則是從帶標(biāo)注的訓(xùn)練語料庫中提取規(guī)則，用構(gòu)建規(guī)則庫的方式匹配信息的方法。

GATE采用基于規(guī)則方法進(jìn)行信息抽取，步驟如下。

（1）首先，對原始語料庫進(jìn)行標(biāo)注，得到帶標(biāo)注的訓(xùn)練語料庫。

（2）其次，定義規(guī)則的表示模式，例如GATE基于鍵值對的標(biāo)注集和特征集。

（3）最后，根據(jù)規(guī)則模式，采用算法學(xué)習(xí)規(guī)則，構(gòu)建規(guī)則庫，例如覆蓋算法、壓縮算法等。

3.2.2 框架設(shè)計(jì)

基于GATE的地理事件信息抽取流程框架如圖1所示。首先，根據(jù)地理事件的任務(wù)描述，對原始語料數(shù)據(jù)進(jìn)行信息抽取的預(yù)處理，主要是數(shù)據(jù)清洗、中文分詞、句子拆分、詞表構(gòu)建等。其次，隨機(jī)劃分標(biāo)注訓(xùn)練語料庫和未標(biāo)注的測試語料庫，對標(biāo)注訓(xùn)練語料庫進(jìn)行規(guī)則的機(jī)器學(xué)習(xí)，構(gòu)建規(guī)則庫。對通過語義網(wǎng)本體解析得到的本體庫也可以進(jìn)行規(guī)則學(xué)習(xí)，導(dǎo)入規(guī)則庫。最后，利用GATE框架對測試語料庫進(jìn)行基于規(guī)則的信息抽取，得到地理事件的描述信息。

圖1 基于GATE的地理事件信息抽取流程

4 基于GATE地理事件抽取的預(yù)處理

4.1 JAPE規(guī)則的制定

制定利用GATE進(jìn)行信息抽取的規(guī)則至關(guān)重要。GATE中規(guī)則被保存為＊.jape文件，一般存放在grammer文件夾中。JAPE是規(guī)則制定的基本語言，是提高命名實(shí)體識別精度的關(guān)鍵。但是，JAPE有其自身優(yōu)點(diǎn)，主要如下。

（1）JAPE允許右邊部分不僅僅可以添加屬性項(xiàng)，也可以編寫java代碼，很大程度上擴(kuò)展了GATE規(guī)則的強(qiáng)大功能。

（2）JAPE可以使用宏的概念，避免不同規(guī)則重復(fù)信息出現(xiàn)。

（3）JAPE可以編譯并存儲為java對象。

地理事件命名實(shí)體的抽取規(guī)則應(yīng)根據(jù)任務(wù)的需求定制。只有在一定的語言環(huán)境中，才能更好進(jìn)行信息抽取。地理事件規(guī)則庫是根據(jù)訓(xùn)練語料不斷學(xué)習(xí)更新的，規(guī)則學(xué)習(xí)的好壞對信息抽取至關(guān)重要，以下是規(guī)則示例。

Rule：Location

Priority：100

（（｛Lookup.majorType＝＝location｝）＋）：tag－－＞

｛gate.FeatureMap features ＝ Factory.new－FeatureMap（）；

gate.AnnotationSet locSet＝ （gate.AnnotationSet）bindings.get（"tag"）；

gate.AnnotationSet loc＝ （gate.Annotation－Set）locSet.get（"Lookup"）；

if（loc！＝null ＆＆loc.size（）＞0）

｛gate.Annotation locAnn ＝ （gate.Annotation）loc.iterator（）.next（）；

features.put（"locType"，locAnn.getFeatures（）.get（"minorType"））；｝

features.put（"rule"，"Location"）；

outputAS.add（locSet.firstNode（），locSet.lastNode（），"Location"，features）；

outputAS.removeAll（loc）；｝

4.2 GATE詞表的構(gòu)建

GATE中的詞表（gazetteer）由一組列表組成，用于發(fā)現(xiàn)文本中包含這些名稱的命名實(shí)體，其標(biāo)注類型為lookup。詞表用基于規(guī)則的方法，而語料用基于統(tǒng)計(jì)的方法進(jìn)行信息抽取。GATE自身詞表數(shù)量有限，且中文詞表不夠完善，尤其是專業(yè)領(lǐng)域詞表不全。因此，需要根據(jù)任務(wù)更新詞表。

GATE中詞表被保存在＊.lst文件中，多個詞表會建立索引文件，一般保存為lists.def文件。詞表索引文件描述每個列表的主要類型、次要類型和語言，用冒號隔開。如表1所示，第一列是詞表文件名，第二列是主要類型，第三列是次要類型。

表1 詞表索引格式

詞表文件可以用任何文本編輯器打開或修改，也可以在GATE框架中打開，一般詞表用UTF－8編碼形式存儲。如圖2所示，左邊顯示索引文件，右邊顯示詞表文件，有1＋2n列（值，特征1，值1……特征n，值n）。詞表的質(zhì)量及完善性直接決定了命名實(shí)體識別的準(zhǔn)確率和效率。

圖2 GATE中詞表編輯顯示

5 基于GATE地理事件的信息抽取

5.1 中文文本分詞

信息抽取的前提是對文本進(jìn)行分詞，GATE對中文分詞做的不夠好，因此需要借助中文分詞組件彌補(bǔ)不足。ICTCLAS是中科院計(jì)算技術(shù)研究所研發(fā)的分詞軟件，該軟件中文分詞精度可達(dá)98.45%，是目前比較流行的漢語詞法分析器。

GATE是基于java語言編寫的框架，要調(diào)用ICTCLAS的C＋＋函數(shù)接口，需要通過JNI調(diào)用其分詞效果，如圖3所示。

基于GATE的中文分詞只是利用ICTCLAS進(jìn)行分詞，不需要詞性標(biāo)注。以空格將文本進(jìn)行分詞之后，即可轉(zhuǎn)換為GATE識別的格式，進(jìn)行下一步處理。

圖3 ICTCLAS中文分詞和詞性標(biāo)注效果

5.2 命名實(shí)體識別

命名實(shí)體是文本中最基本的信息元素，包括現(xiàn)實(shí)世界中的實(shí)體甚至?xí)r間、數(shù)量等。根據(jù)MUC標(biāo)準(zhǔn)，命名實(shí)體可分為：人名（Person）、地名（Location）、機(jī)構(gòu)名（Organization）、日期（Date）、時間（Time）、百分?jǐn)?shù)（Percentage）、貨幣（Monetary Value）等幾大類［9］。根據(jù)ACE的解釋，實(shí)體在文本中有命名性、名詞性、代詞性3種表現(xiàn)形式。

命名實(shí)體識別是從文本中匹配識別命名實(shí)體，是信息抽取的關(guān)鍵。命名實(shí)體識別有基于規(guī)則的方法和基于統(tǒng)計(jì)的方法2種［10］。早期的命名實(shí)體識別采用基于規(guī)則的方法，移植性差。而基于統(tǒng)計(jì)的方法是在大規(guī)模語料基礎(chǔ)上進(jìn)行的，主要有以下4種。

（1）有監(jiān)督學(xué)習(xí)方法，例如 HMM、MEM、SVM、CRF、DT等。

（2）半監(jiān)督學(xué)習(xí)方法，例如利用標(biāo)注的小規(guī)模語料自己學(xué)習(xí)。

（3）無監(jiān)督學(xué)習(xí)方法，例如利用詞典進(jìn)行文本聚類。

（4）混合方法，幾種方法或模型的結(jié)合。

基于GATE的命名實(shí)體識別采用基于規(guī)則的學(xué)習(xí)方法，首先對文本進(jìn)行分詞，再對已有詞典進(jìn)行查找匹配，對未識別實(shí)體進(jìn)行標(biāo)注規(guī)則學(xué)習(xí)，最后將識別結(jié)果按照標(biāo)注模式進(jìn)行信息抽取，以此得到用戶關(guān)心的內(nèi)容，如圖4所示。

圖4 基于GATE的命名實(shí)體識別流程示意圖

5.3 標(biāo)注語料庫生成

GATE中標(biāo)注類型通過標(biāo)注模式庫來定義，支持XMLSchema表示的標(biāo)注模式，可根據(jù)解析器進(jìn)行擴(kuò)展，表示領(lǐng)域本體的標(biāo)注模式，例如地理事件中地震事件的標(biāo)注模式文件（如下所示）。地理事件本體中不同的概念對應(yīng)不同的標(biāo)注模式并以此共同構(gòu)成標(biāo)注模式庫。

＜？xml version＝"1.0"encoding＝"utf－8"？＞

＜EventList＞＜Event＞

＜DataId＞1＜／DataId＞

＜Type＞新聞＜／Type＞

＜Url＞http：／／news.21cn.com／caiji／roll1／a／2015／0401／18／29324097.shtml＜／Url＞

＜Date＞2015年04月01日07：18＜／Date＞

＜EventTitle＞貴州劍河5.5級地震已致3萬余民眾受災(zāi)＜／EventTitle＞

＜EventType＞地震＜／EventType＞

＜Annotated＞＜when＞2015年3月30日9時47分＜／when＞，＜where＞貴州?。迹痺here＞＜where＞黔東南＜／where＞＜where＞苗族侗族自治州＜／where＞＜where＞劍河縣＜／where＞發(fā)生＜what＞5.5級地震＜／what＞，震源深度7千米。＜／Annotated＞

＜／Event＞＜／EventList＞

6 總 結(jié)

隨著互聯(lián)網(wǎng)信息的日益增長，面向任務(wù)的信息抽取成為各個領(lǐng)域研究的重要內(nèi)容。本文基于GATE的地理事件信息抽取是地理空間信息領(lǐng)域面向地理事件挖掘的研究內(nèi)容。通過對地理事件本體模型的研究，利用GATE自然語言處理框架，可以對領(lǐng)域語料庫進(jìn)行中文分詞、詞表構(gòu)建、規(guī)則制定、命名實(shí)體識別等，實(shí)現(xiàn)了地理事件的標(biāo)注和信息抽取。

［1］ 王振峰.基于本體的地理事件信息檢索［D］.武漢：武漢大學(xué)，2009.

［2］ 杜哲.GIS時空數(shù)據(jù)模型研究［D］.北京：北京林業(yè)大學(xué)，2011.

［3］ 王艷軍，徐狄軍，李丹農(nóng)，等.面向服務(wù)架構(gòu)的地理要素在線更新［J］.測繪通報(bào)，2013（6）：41－44.

［4］ 嚴(yán)薇.基于地理事件的變化信息存儲管理和應(yīng)用研究［D］.鄭州：信息工程大學(xué)，2011：28－30.

［5］ Perez A G，Benjamins V R.Overview of Knowledge Sharing and Reuse Components： Ontologies and Problem－Solving Methods［C］／／ Proceedings of the 16thInternational Joint Conference on Artificial Intelligence（IJCAI－99）.Stockholm：the IJCAI－99 Workshop，1999：1－5.