面向中文開放領(lǐng)域的多元實(shí)體關(guān)系抽取研究

姚賢明，甘健侯，徐堅(jiān)

（1. 曲靖師范學(xué)院 信息工程學(xué)院，云南 曲靖 655011; 2. 云南師范大學(xué) 民族教育信息化教育部重點(diǎn)實(shí)驗(yàn)室，云南 昆明 650500）

實(shí)體關(guān)系抽取是指從文本中抽取實(shí)體與實(shí)體之間，實(shí)體與數(shù)值表達(dá)式之間的語義關(guān)系，這種語義關(guān)系體現(xiàn)了二者之間的相互作用[1]。例如“鄧兆祥游覽廬山”，其中“鄧兆祥”與“廬山”之間存在“游覽”關(guān)系[2]。

實(shí)體關(guān)系抽取任務(wù)最早在1989年的MUC評測會議中被提出，在ACE、TAC等一系列評測會議的推動下，獲得了長足的發(fā)展，陸續(xù)提出了基于規(guī)則的[3-4]、基于支持向量機(jī)等有監(jiān)督的[5-6]和基于聚類等無監(jiān)督[7-8]實(shí)體關(guān)系獲取方法[9]，本文稱這些方法為傳統(tǒng)方法。傳統(tǒng)方法主要是面向特定領(lǐng)域，預(yù)先定義了實(shí)體類型和關(guān)系類型，通過人工標(biāo)注訓(xùn)練數(shù)據(jù)提交給機(jī)器學(xué)習(xí)算法自動學(xué)習(xí)分類規(guī)則，從而實(shí)現(xiàn)文本中實(shí)體關(guān)系的自動識別。

隨著互聯(lián)網(wǎng)的飛速發(fā)展，海量多源異構(gòu)信息構(gòu)成了互聯(lián)網(wǎng)的主體，機(jī)器翻譯、問答系統(tǒng)和知識庫等應(yīng)用系統(tǒng)的發(fā)展也逐漸面向互聯(lián)網(wǎng)開展相關(guān)研究，傳統(tǒng)方法已經(jīng)不能滿足現(xiàn)實(shí)的需求，因?yàn)樵诋?dāng)前環(huán)境中，實(shí)體類型、實(shí)體關(guān)系都是未知的，雖然有部分文章提出了上百種實(shí)體類型[10-11]，對相關(guān)研究也產(chǎn)生了積極影響，但是仍然不能滿足現(xiàn)實(shí)中千變?nèi)f化的需求，因此開放域?qū)嶓w關(guān)系抽取任務(wù)被提出[9]。

開放域?qū)嶓w關(guān)系抽取的發(fā)展正在經(jīng)歷2個(gè)階段[12-13]：二元實(shí)體關(guān)系抽取、多元實(shí)體關(guān)系抽取。

二元實(shí)體關(guān)系抽取主要以抽取動詞為主，通常是從一句完整的語句中抽取到一對實(shí)體之間的關(guān)系。以 TextRunner[14]、KnowItAll[15]、WOE[16]、和Reverb[17-18]等為代表的系統(tǒng)已推動了二元實(shí)體關(guān)系抽取接近成熟。采用的方法主要包括遠(yuǎn)程監(jiān)督(distant supervision)和有監(jiān)督的方法。遠(yuǎn)程監(jiān)督[19-20]利用百科信息框的結(jié)構(gòu)化信息對非結(jié)構(gòu)化文本進(jìn)行自動標(biāo)注，訓(xùn)練識別模型，通過一定的技巧(trick)能達(dá)到較好的效果，該方法降低了人工標(biāo)注語料的繁重負(fù)擔(dān)；有監(jiān)督的方法仍然以支持向量機(jī)等方法為主，但是在特征選擇方面，通常選擇句法、依存關(guān)系等具有領(lǐng)域通用性的特征[21-22]，從而使其模型具有跨領(lǐng)域能力。

多元實(shí)體關(guān)系指的是語句中多個(gè)實(shí)體之間存在的不同語義關(guān)系，因此多元實(shí)體關(guān)系抽取的任務(wù)是抽取這些實(shí)體之間的語義關(guān)系。相對于二元實(shí)體關(guān)系抽取來說，該任務(wù)具有更大的挑戰(zhàn)性。目前，多元實(shí)體關(guān)系的抽取還處于探索階段。文獻(xiàn)[23]在構(gòu)建Kraken系統(tǒng)的過程中，給出了多元實(shí)體關(guān)系抽取的基本思路如下：

1)檢測事件短語。Kraken將動詞、修飾詞和介詞視為事件。

2)檢測實(shí)體中心詞。Kraken從事件短語出發(fā)，根據(jù)nsubject等依存關(guān)系找到實(shí)體中心詞。

3)檢測實(shí)體全稱。Kraken從實(shí)體中心詞出發(fā)，遞歸地查找所有向下連接的實(shí)體詞。

最終，Kraken將實(shí)體全稱和事件短語組合成三元組，并將其視為抽取到的實(shí)體關(guān)系。以句子“Doublethink, a word that was coined by Orwell in the novel 1984, describes a fictional concept.”為例，使用該方法可獲得3個(gè)實(shí)體間的語義關(guān)系：

關(guān)系 1：(Doublethink, was coined, by Orwell)，關(guān)系 2：(Doublethink, was coined, in the novel 1984)，關(guān)系 3：(Doublethink, describes, a fictional concept)[23]。

從上面的結(jié)果可看出，相對于二元實(shí)體關(guān)系抽取僅僅只能抽取一對實(shí)體之間的語義關(guān)系而言，多元實(shí)體關(guān)系抽取能夠抽取到更多的實(shí)體之間的關(guān)系。在英文中，多元實(shí)體關(guān)系占據(jù)了40%的所有實(shí)體關(guān)系[24]，因此，多元實(shí)體關(guān)系的抽取是實(shí)體關(guān)系抽取中一項(xiàng)十分重要的工作，而這也是今后實(shí)體關(guān)系發(fā)展的一個(gè)重要方向。目前，在英文的多元實(shí)體關(guān)系抽取方面已經(jīng)取得了初步的研究成果[25-29]。

在中文領(lǐng)域，多元實(shí)體關(guān)系抽取方面目前鮮有提及，主要的工作集中在二元實(shí)體關(guān)系抽取[30-31]。本文以Kraken系統(tǒng)提供的方法為基礎(chǔ)，結(jié)合中文自身的特點(diǎn)，提出了基于依存語法的開放域多元實(shí)體關(guān)系抽取方法，本文將該方法應(yīng)用于民族、自然科學(xué)、法律、經(jīng)濟(jì)、人文歷史5個(gè)領(lǐng)域以驗(yàn)證該方法的有效性，實(shí)驗(yàn)結(jié)果表明，該方法具有一定的參考價(jià)值。

1 中文多元實(shí)體關(guān)系抽取

在英文的實(shí)體關(guān)系抽取中，主要以謂語作為實(shí)體之間關(guān)系的指示詞，因此在中文的關(guān)系抽取中沿用了該方法[32]。文獻(xiàn)[2]以謂語作為關(guān)鍵字，構(gòu)建上下文特征，訓(xùn)練識別器，實(shí)現(xiàn)了旅游領(lǐng)域的實(shí)體關(guān)系抽取，但是仍屬于有監(jiān)督的方法，而且針對的是二元關(guān)系抽取。文獻(xiàn)[33]利用依存分析結(jié)果，結(jié)合啟發(fā)規(guī)則實(shí)現(xiàn)三元組的抽取。文獻(xiàn)[34]以句法分析結(jié)果作為基礎(chǔ)，以動詞為中心，抽取主謂賓結(jié)構(gòu)，同時(shí)給出了句子中存在多個(gè)連續(xù)動詞的復(fù)雜情況下，抽取主謂賓結(jié)構(gòu)的解決方案，但是該文獻(xiàn)沒有詳細(xì)給出存在零指代的情況下獲取主語的方法?？傮w而言，在中文實(shí)體關(guān)系抽取方面，仍然缺乏針對復(fù)雜中文句子結(jié)構(gòu)的有效實(shí)體關(guān)系抽取方法，在多元實(shí)體關(guān)系抽取方面更是缺乏相關(guān)研究。

從中文句法結(jié)構(gòu)來看，主語、謂語和賓語構(gòu)成了句子的主體，是描述事實(shí)的基本組成單元。語句可以是由一個(gè)主謂賓構(gòu)成的簡單句子，也可以是由多個(gè)主謂賓構(gòu)成的復(fù)雜語句，復(fù)雜語句以動詞作為事件鏈，表述了實(shí)體(主語、賓語)之間的語義關(guān)系。

以語句“1937年6月4日，周恩來第一次登上廬山，入住仙巖旅館，同蔣介石進(jìn)行國共第二次合作談判?！盵2]為例，其中包含了3個(gè)連續(xù)事件：登上→入住→進(jìn)行，對應(yīng)的實(shí)體關(guān)系分別為：(周恩來，登上，廬山)、(周恩來，入住，仙巖旅館)和(周恩來，進(jìn)行，國共第二次合作談判)。

對于語句“到1910年的時(shí)候，美國科學(xué)家摩爾根，他研究果蠅的遺傳規(guī)律的時(shí)候發(fā)現(xiàn)，遺傳信息是位于染色體上面，所以知道染色體跟遺傳有非常大的關(guān)系”，該句子的句法結(jié)構(gòu)分析結(jié)果如圖1和圖2所示(限于篇幅，本文將句法分析結(jié)果分割成為兩部分，兩部分的首尾以詞語“發(fā)現(xiàn)”作為連接點(diǎn))。從圖中的結(jié)果可以看出，各個(gè)單句之間不完全是以動詞為主的連續(xù)鏈結(jié)構(gòu)(COO)，也包括以賓語(VOB)為主的連續(xù)鏈結(jié)構(gòu)。直觀上看，可得出如下2個(gè)重要事實(shí)：事實(shí)1，(遺傳信息，位于，染色體上面)；事實(shí)2，(染色體，跟遺傳有，關(guān)系)。另外更為重要的是，這兩個(gè)事實(shí)都是“德國科學(xué)家摩爾根”“發(fā)現(xiàn)”而“知道”的，因此，這里還存在另外一層實(shí)體與事實(shí)之間的關(guān)系(德國科學(xué)家摩爾根，發(fā)現(xiàn)，事實(shí)1)和(德國科學(xué)家摩爾根，知道，事實(shí)2)，展開即為(德國科學(xué)家摩爾根，發(fā)現(xiàn)，(遺傳信息，位于，染色體上面))和(德國科學(xué)家摩爾根，知道，(染色體，跟遺傳有，關(guān)系))。除此之外，該句中還存在另外一個(gè)實(shí)體關(guān)系(德國科學(xué)家摩爾根，研究，果蠅遺傳規(guī)律)，只是該實(shí)體關(guān)系隱藏在偏正結(jié)構(gòu)中。

圖 1 句子依存句法分析結(jié)果(第1部分)Fig. 1 Dependency parsing analysis result for example sentence (part 1)

圖 2 例句“到 1910 年的時(shí)候······”依存句法分析結(jié)果 (第 2 部分)Fig. 2 Dependency par sing analysis r esult for sentence “Dao4 1910 nian2 de1 shi2 hou4” (par t 2)

通過以上的分析可知，實(shí)體關(guān)系在句子中呈現(xiàn)以下3個(gè)特點(diǎn)：

1)實(shí)體關(guān)系在謂語上表現(xiàn)為連續(xù)鏈結(jié)構(gòu)。所有連續(xù)的事件依照出現(xiàn)的先后順序以COO相互連接。

2)實(shí)體關(guān)系在實(shí)體本身也可能存在蘊(yùn)含關(guān)系。作為實(shí)體關(guān)系中的實(shí)體，可能為一實(shí)體名稱，也可能為一事件，或者該事件本身又是一種迭代的結(jié)構(gòu)。

3)存在一些游離狀態(tài)的實(shí)體關(guān)系。這些關(guān)系以松耦合的形式構(gòu)成句子的一部分。

基于以上特點(diǎn)，本文提出了基于依存語法的開放域多元實(shí)體關(guān)系抽取方法。該方法以哈工大LTP平臺的句法分析結(jié)果作為依據(jù)，抽取句子中以主謂賓結(jié)構(gòu)為代表的實(shí)體關(guān)系，具體算法步驟為：

1)句法分析。將句子提交到LTP平臺獲取句法分析結(jié)果。

2)事件鏈獲取。獲取句法分析結(jié)果中的root節(jié)點(diǎn)作為入口，查找與該節(jié)點(diǎn)以LTP中定義的事件關(guān)系(COO，IS)相連接的動詞并添加到動詞集合。

3)主謂賓獲取。依據(jù)LTP定義的主語角色(SBV)和賓語角色 (VOB，IOB，F(xiàn)OB)，查找每個(gè)動詞的主語和賓語集合(可能存在多個(gè)主語和賓語并列的情形)。如果連接的角色是名詞則將其添加到對應(yīng)的主語或賓語集合，并查找其他并列的主語或賓語；如果連接的角色是動詞，則以該動詞作為root節(jié)點(diǎn)，并跳轉(zhuǎn)到2)。

4)實(shí)體關(guān)系獲取。將每次循環(huán)過程中獲取到的主謂賓添加到實(shí)體關(guān)系集合中，如果存在主語或賓語并列的情況，則進(jìn)行組合之后添加到實(shí)體關(guān)系集合中。

5)順序掃描句子中所有尚未在上述步驟中查找到的動詞，將其作為root節(jié)點(diǎn)，跳轉(zhuǎn)到2)。

6)主語填充。利用一定的規(guī)則，對實(shí)體關(guān)系集合中缺乏主語(零指代)的主謂賓組合填充其主語。

7)獲取主語和賓語的定語部分。依據(jù)LTP平臺定義的屬性角色(ATT)獲取主語和賓語的定語部分。

8)輸出所有以主謂賓形式表示的實(shí)體關(guān)系。

該算法的核心思想就是根據(jù)事件關(guān)系順序和遞歸地查找所有的主謂賓結(jié)構(gòu)，然后獲取實(shí)體的修飾成分。值得注意的是，由于實(shí)體關(guān)系之間存在蘊(yùn)含關(guān)系，一個(gè)事實(shí)可能為另外一個(gè)事實(shí)的成分，需要采用迭代的方式來獲取，3)中最后獲取root節(jié)點(diǎn)就體現(xiàn)了該過程。該算法能夠有效地獲取句子中復(fù)雜的多元實(shí)體關(guān)系，避免無意義的實(shí)體關(guān)系對抽取結(jié)果的影響。

2 實(shí)驗(yàn)結(jié)果分析

作為目前比較新的研究方向，多元實(shí)體關(guān)系抽取尚缺乏權(quán)威的評測數(shù)據(jù)，在中文領(lǐng)域中目前亦如此。為了獲得更加客觀公正的測試結(jié)果，同時(shí)也為了驗(yàn)證算法的跨領(lǐng)域抽取能力，本文選取了歷史、經(jīng)濟(jì)、民族、科技、法律5個(gè)領(lǐng)域的文本進(jìn)行測試。其中經(jīng)濟(jì)和科技的文本屬于口述性文本，民族領(lǐng)域文本來源于百度百科，法律文本則來自于法律條款，民族和法律領(lǐng)域的文本相對來說更加標(biāo)準(zhǔn)規(guī)范。

本文從這些領(lǐng)域文本中選取了部分具有代表性的句子作為評測數(shù)據(jù)，總共包含167個(gè)句子，其中包含多個(gè)實(shí)體關(guān)系的句子總數(shù)為149個(gè)，客觀存在的實(shí)體關(guān)系總數(shù)為408對，抽取到的正確實(shí)體關(guān)系數(shù)量為214對，由此可見，該方法獲取到的數(shù)量遠(yuǎn)大于二元實(shí)體關(guān)系抽取。

為了對具體領(lǐng)域的抽取效果有更直觀的印象，本文采用信息抽取中常用的指標(biāo)對系統(tǒng)性能進(jìn)行評估，即正確率、召回率和F值。3個(gè)指標(biāo)的數(shù)據(jù)來源于上述選取的167個(gè)句子。每個(gè)指標(biāo)在具體每個(gè)領(lǐng)域中的性能表現(xiàn)如表1所示。

表 1 本文算法在不同領(lǐng)域中的表現(xiàn)Table 1 Performance of algorithm in this paper in different domains %

從表1中數(shù)據(jù)可以看出，總體的指標(biāo)達(dá)到了60%左右，取得了一定的效果，也證明了本文中的方法具有一定可行性。在歷史領(lǐng)域的文本中性能較差，但在其他領(lǐng)域中都有不俗的表現(xiàn)，而且在不同領(lǐng)域中的表現(xiàn)相對比較穩(wěn)定，說明該方法具有一定的跨領(lǐng)域能力。

表2中列出了本文與其他文獻(xiàn)開放域?qū)嶓w關(guān)系抽取的性能對比結(jié)果。其中，ZORE是文獻(xiàn)[35]中提出的ZORE系統(tǒng)，使用句法分析結(jié)果抽取中文開放域?qū)嶓w關(guān)系，與本文采用的方法類似，該系統(tǒng)的準(zhǔn)確率等指標(biāo)是性能最佳情況下的表現(xiàn)，該文獻(xiàn)也是較早研究中文開放域?qū)嶓w關(guān)系抽取的工作之一；UnCORE是哈工大秦兵教授在文獻(xiàn)[30]中提出的面向大規(guī)模網(wǎng)絡(luò)文本的無指導(dǎo)中文開放式實(shí)體關(guān)系抽取模型，在該文獻(xiàn)中給出了正確率，但是因?yàn)槲谋疽?guī)模較大，無法統(tǒng)計(jì)召回率，因此相關(guān)指標(biāo)沒有給出；Kraken是文獻(xiàn)[23]在英文領(lǐng)域抽取多元實(shí)體關(guān)系的性能表現(xiàn)，這也是英文多元實(shí)體關(guān)系抽取研究最早的工作之一。

表 2 與其他開放域?qū)嶓w關(guān)系抽取系統(tǒng)性能對比Table 2 Comparisons with other open domain entity relation extraction systems %

從表2中的數(shù)據(jù)可以看出，與ZORE相比，本文的召回率更高，體現(xiàn)出本文從文本中抽取到的實(shí)體關(guān)系數(shù)量更豐富，對于復(fù)雜句式效果更好，同時(shí)F值也更高。與UnCORE系統(tǒng)相比，本文的準(zhǔn)確率不高，但是UnCORE系統(tǒng)是在大規(guī)模文本環(huán)境下運(yùn)行的，數(shù)據(jù)的冗余性使得準(zhǔn)確率得以提升，而召回率和F值這些指標(biāo)卻無法統(tǒng)計(jì)。與Kraken系統(tǒng)相比，本文所有的指標(biāo)略有小幅下降，但是作為在中文領(lǐng)域中的一種嘗試，本文得到這樣的運(yùn)行表現(xiàn)證明該方法具有一定的參考價(jià)值。

本文對實(shí)體關(guān)系抽取在不同領(lǐng)域錯(cuò)誤的原因進(jìn)行分析，對抽取到的實(shí)體關(guān)系的錯(cuò)誤部分與未抽取到的實(shí)體關(guān)系進(jìn)行了統(tǒng)計(jì)，將錯(cuò)誤的原因大致分成6種情形，具體每種錯(cuò)誤在不同領(lǐng)域中的占比如表3所示。

表 3 本文算法在不同領(lǐng)域中出現(xiàn)錯(cuò)誤的原因及占比統(tǒng)計(jì)Table 3 Case of errors and its proportion in different domain with method used in this paper %

從表3可看出，導(dǎo)致錯(cuò)誤的原因比較集中，主要包括情形1、情形3和情形5，占比總和達(dá)到了79.67%，這也為今后的工作指明了方向。對于每種錯(cuò)誤的分析如下：

情形1 動詞詞性導(dǎo)致的錯(cuò)誤，名動詞被標(biāo)注為動詞，導(dǎo)致名詞性短語難以正確識別。本文使用的分詞工具為哈爾濱工業(yè)大學(xué)LTP語言技術(shù)平臺[36]本地工具包(LTP4J)，工具中動詞只包含一種類型“v”，該詞性分類體系與北京理工大學(xué)的NLPIR[37]采用的計(jì)算所漢語詞性標(biāo)記集不同，后者將動詞 (v)分成了 9種 (vd、vn、vshi、vyou、vf、vx、vi、vl、vg)類型，每種類型的動詞的作用更加清晰。本文使用LTP平臺的主要原因是該平臺具有句法分析、依存分析等功能，同時(shí)該平臺的分詞能力在本文所使用的語料中表現(xiàn)更佳。

LTP平臺對句子“三線建設(shè)，是1964年在毛澤東同志和中共中央的決策下進(jìn)行的一場以戰(zhàn)備為中心的經(jīng)濟(jì)建設(shè)戰(zhàn)略”的詞性標(biāo)注結(jié)果為：“三線/j建設(shè)/v，/wp 是/v 1964 年/nt······”，從本例中可以看出本句的主語為“三線建設(shè)”，但是由于“建設(shè)”的詞性為“v”，根據(jù)本文算法，會繼續(xù)尋找其主語，從而導(dǎo)致主語“三線建設(shè)”識別失敗，但是如果將其標(biāo)注為動名詞“vn”，則可以有效地提取到該主語。從表2中可以看出，該問題導(dǎo)致抽取失敗的占比達(dá)到了27.30%，其影響非常大。本文曾嘗試使用NLPIR對該問題進(jìn)行修復(fù)，但是由于分詞結(jié)果不同，因此效果不佳。

情形2 動詞相鄰，在位置上前后緊密連接。以句子“毛澤東所說的‘屁股’，是指基礎(chǔ)工業(yè)”，其分詞結(jié)果為“······，/wp 是/v 指/v 基礎(chǔ)/n 工業(yè)/v”。直觀上說，“是指”可作為本句中的謂語，然而由于在句法分析結(jié)果中二者是以VOB連接，因此會以情形1中相同的方式進(jìn)行處理，從而導(dǎo)致錯(cuò)誤的發(fā)生。

情形3 實(shí)體詞(主語或賓語等)在句子的附加結(jié)構(gòu)中。以句子“從公元前21世紀(jì)以后，相繼出現(xiàn)了夏、商、西周幾個(gè)王朝”為例，本例中包含實(shí)體關(guān)系(公元前21世紀(jì)以后，出現(xiàn)，夏王朝)，此處時(shí)間“公元前21世紀(jì)以后”雖然不是主語，但是作為時(shí)間修飾成分，同樣也描述了基本的事實(shí)，因此可作為實(shí)體關(guān)系而被抽取。但是在該句中，“從公元前21世紀(jì)以后”是作為ADV類型的狀中結(jié)構(gòu)存在，本文采用的方法無法抽取到實(shí)體“公元前21世紀(jì)以后”這種時(shí)間類型的實(shí)體詞。該情形是廣泛存在于多元實(shí)體關(guān)系抽取中的問題，在錯(cuò)誤中的總占比為32.96%，同時(shí)由于本文之前尚未定義該類型實(shí)體關(guān)系的抽取規(guī)則，幾乎所有的實(shí)體關(guān)系都沒有被檢測到，因此增加此類實(shí)體抽取規(guī)則將在很大程度上提升召回率。

情形4 省略了主語情況下，主語的自動填充結(jié)果帶來的錯(cuò)誤。在中文行文中，省略語與指代是廣泛存在的現(xiàn)象，在實(shí)體關(guān)系抽取結(jié)果中占據(jù)非常大的比例。本文采用了簡單的規(guī)則來彌補(bǔ)此問題：在缺乏主語或存在代詞的情況下，向前一個(gè)語言片段尋找主語實(shí)體詞，將找到的第一個(gè)主語作為被省略的主語或代詞的實(shí)體詞，如果在一個(gè)句子中前面位置找不到實(shí)體詞，則向后尋找。例如：語句“漢族是中國的主體民族，是上古時(shí)期黃帝和炎帝部落的后裔”，該句第二個(gè)語言片段表達(dá)的是“漢族是上古時(shí)期黃帝和炎帝部落的后裔”，但是“漢族”本身是前一個(gè)語句的主語，通過本文的主語填充規(guī)則可以輕松地獲得事實(shí)(漢族，是，上古時(shí)期黃帝部落后裔)和(漢族，是，上古時(shí)期炎帝部落后裔)。該方法有效地降低了主語被省略的情況對實(shí)體抽取的影響。但是由于該方法過于簡單，也帶來了一些錯(cuò)誤，如找到錯(cuò)誤的主語，或主語找不到的情況。

情形5 實(shí)體詞存在并列的情況。實(shí)體詞并列出現(xiàn)的現(xiàn)象在文本中是廣泛存在的，存在幾個(gè)并列關(guān)系就存在幾種事實(shí)，而本文的抽取規(guī)則尚未完整地考慮到所有并列的情形，因此并列關(guān)系的存在對抽取結(jié)果產(chǎn)生了較大的影響。以句子“佤族主要分布云南省西南部的西盟、滄源、瀾滄、孟連、雙江、耿馬、永德、鎮(zhèn)康等縣”為例，本句包含多個(gè)事實(shí)：(佤族，分布，云南省西南部西盟縣)、(佤族，分布，云南省西南部滄源縣)······(佤族，分布，云南省西南部鎮(zhèn)康縣)，總共8個(gè)事實(shí)，而本文的方法只能抽取到(佤族，分布，云南省西南部西盟縣)這個(gè)事實(shí)，其余的7個(gè)事實(shí)則被忽略掉。由此可見，對并列結(jié)構(gòu)中實(shí)體關(guān)系的抽取會極大地降低召回率。從表2中的數(shù)據(jù)也可以看出，其在總的錯(cuò)誤中占比達(dá)到了19.41%，因此提升空間是巨大的。

情形6 其他原因，包括由于句子邊界識別、未登錄詞、句子結(jié)構(gòu)復(fù)雜等原因而導(dǎo)致的無法識別的情形。該情形在民族與科技領(lǐng)域中存在的情況比較常見。

3 結(jié)束語

作為在中文開放領(lǐng)域中多元實(shí)體關(guān)系抽取的一種嘗試，本文從依存語法的角度出發(fā)，通過對句法分析的結(jié)果進(jìn)行分析，抽取以主謂賓結(jié)構(gòu)為代表的多元實(shí)體關(guān)系，并獲得了一定的成效。同時(shí)本文對實(shí)驗(yàn)結(jié)果進(jìn)行了分析，總結(jié)了導(dǎo)致抽取失敗的5種主要情形，這也為今后的研究工作指明了方向。另外，本文只獲取了主語和賓語的定語部分，但是對補(bǔ)語和狀語沒有進(jìn)行抽取，這使得部分抽取結(jié)果理解比較困難，因此還需要進(jìn)一步優(yōu)化算法。