基于句法與語義特征分析的朋友關(guān)系挖掘

王娜娜，張順香

（安徽理工大學(xué) 計(jì)算機(jī)科學(xué)與工程學(xué)院，安徽 淮南 231001）

目前，越來越多的網(wǎng)民選擇通過注冊微博與他人進(jìn)行互動，使得微博文本中存在大量人物間的社會關(guān)系，而挖掘朋友關(guān)系能夠更好地加快社會網(wǎng)絡(luò)的發(fā)展。從海量微博文本中挖掘朋友關(guān)系，可以為廣大用戶提供社區(qū)服務(wù)，幫助用戶構(gòu)建和擴(kuò)展“朋友圈”，以及為商家建立信息推薦系統(tǒng)實(shí)現(xiàn)盈利模式或者擴(kuò)展?jié)撛诳蛻舻取?/p>

然而，如何從海量微博文本中挖掘朋友間存在的社會關(guān)系成為目前亟需解決的問題。一個(gè)有效挖掘微博朋友關(guān)系的方法需要考慮：如何獲得更為全面的朋友關(guān)系特征描述詞；由于人物關(guān)系類型繁多，如何提高抽取準(zhǔn)確率；當(dāng)微博語句中實(shí)體對超過一對時(shí)，如何確定人物實(shí)體對等問題。

針對上述問題，本文提出一種基于句法與語義特征分析的朋友關(guān)系挖掘方法。其主要目的是提高微博中朋友關(guān)系挖掘的準(zhǔn)確性和高效性。流程圖主要分為2部分，具體挖掘流程如圖1。

（?。┯行U(kuò)展朋友關(guān)系描述詞庫。首先，針對朋友關(guān)系得到其關(guān)系描述詞之一。然后，綜合《知網(wǎng)》和《同義詞詞林》的相似度計(jì)算結(jié)果，得到較為準(zhǔn)確的朋友關(guān)系描述詞庫。

（ⅱ）面向文本數(shù)據(jù)實(shí)現(xiàn)朋友關(guān)系挖掘。在步驟（?。┑幕A(chǔ)上，對篩選后的微博文本運(yùn)用核心謂詞、依存句法以及語義分析等特征進(jìn)行處理，從微博文本中挖掘出朋友關(guān)系。

圖1 人物朋友關(guān)系挖掘過程

1 相關(guān)工作

人物關(guān)系抽取屬于實(shí)體關(guān)系抽取的一部分，實(shí)體關(guān)系抽取的主要目的是通過相關(guān)技術(shù)挖掘出現(xiàn)在同一文本中的兩實(shí)體間存在的語義關(guān)系。即實(shí)體關(guān)系抽取方法可用于人物關(guān)系抽取方法中。近年來，在解決實(shí)體關(guān)系抽取過程中，國內(nèi)外常采用的方法主要分為三類。

（?。┗谀Ｊ狡ヅ涞娜宋镪P(guān)系抽取方法是構(gòu)造若干基于詞語、詞性或語義的模式集合并存儲起來，將預(yù)處理文本與模式集合中的模式進(jìn)行匹配。潘云等人引入標(biāo)簽傳播算法實(shí)現(xiàn)未標(biāo)記人名對的關(guān)系匹配，提出一種利用中文在線資源構(gòu)建中文人物關(guān)系抽取系統(tǒng)的方法[1]?？妆热送ㄟ^提取特定關(guān)系實(shí)體上下文信息及句子的結(jié)構(gòu)特征對特定關(guān)系單獨(dú)訓(xùn)練分類模型的人物關(guān)系抽取方法[2]。Choi等人提出一種基于依賴核的支持向量機(jī)（support vector machines，SVMs）的社會關(guān)系提取系統(tǒng)[3]。Vo等人提出一種基于子句的文本文檔中的信息提取框架[4]。

（ⅱ）基于自動訓(xùn)練的人物關(guān)系抽取方法是通過特定的機(jī)器學(xué)習(xí)算法，在標(biāo)注的語料上建造分類模型，再將其應(yīng)用到未標(biāo)注的語料中。黃衛(wèi)春等人通過計(jì)算初始關(guān)系元組的關(guān)系描述詞的信息增益值來確定元組上下文位置以及創(chuàng)建合適的關(guān)系抽取模板，利用模板實(shí)現(xiàn)Web人物關(guān)系的自動提取[5]。Agerri等人開發(fā)了 NERC（named entity recognition）系統(tǒng)，能有效使用各種類型的簡單詞表示其特征[6]。王宏斌等人通過自動調(diào)整訓(xùn)練集中實(shí)例樣本的權(quán)重和計(jì)算輔助訓(xùn)練樣本的遷移能力來提高訓(xùn)練語料質(zhì)量，間接提高命名實(shí)體識別的準(zhǔn)確率[7]。郭劍毅等人通過枚舉的方式尋求最優(yōu)的復(fù)合核函數(shù)參數(shù)，并結(jié)合多核融合方法和SVM方法對實(shí)體關(guān)系進(jìn)行抽取[8]。

（ⅲ）基于知識庫的人物關(guān)系抽取方法是一種將眾多不同領(lǐng)域的知識結(jié)合起來進(jìn)行人物關(guān)系的抽取。Zhou等人通過構(gòu)造豐富的語義關(guān)系樹，并提出一個(gè)對上下文敏感的卷積樹核，達(dá)到關(guān)系抽取的目的[9]。Li等人將詞語位置的信息增益與基于HowNet的語義計(jì)算相結(jié)合[10]。郭喜躍等人在傳統(tǒng)方法基礎(chǔ)上融入了依存句法關(guān)系、核心謂詞、語義分析等特征[11]。珠杰等人借助具有豐富人物關(guān)系語料的互動百科，提出堆疊降噪自動編碼器（stacked denoising autoencoders，SDAs）的人物關(guān)系抽取方法[12]。Tao等人提出一種新的基于判別局域?qū)R（discriminative locality alignment，DLA）子空間學(xué)習(xí)算法。同時(shí)，引入了類似手寫漢字識別技術(shù)（similar handwritten Chinese character recognition，SHCCR）[13]。

通過對上述各種關(guān)系抽取方法的對比分析，本文將實(shí)體關(guān)系抽取中采用的多種技術(shù)有選擇性的運(yùn)用到微博朋友關(guān)系挖掘中，提出一種基于句法與語義特征分析的朋友關(guān)系挖掘方法。該方法綜合運(yùn)用核心謂詞、依存句法以及語義分析等特征進(jìn)行挖掘，實(shí)驗(yàn)結(jié)果證明朋友關(guān)系抽取的準(zhǔn)確率明顯提高。

2 構(gòu)建朋友關(guān)系描述詞庫

本章提出構(gòu)建朋友關(guān)系描述詞庫的方法，進(jìn)而達(dá)到擴(kuò)充朋友關(guān)系描述詞集合的目的。

2.1 微博文本數(shù)據(jù)預(yù)處理

本文在進(jìn)行朋友關(guān)系挖掘前，首先對微博文本數(shù)據(jù)進(jìn)行預(yù)處理。主要包括刪除微博文本中“@”符號、刪除符號“#”及符號中的內(nèi)容、將微博文本中的繁體字轉(zhuǎn)換為簡體字、過濾表情符號等。

2.2 構(gòu)建朋友關(guān)系描述詞庫

為了提高朋友關(guān)系挖掘準(zhǔn)確率，本文提出綜合知網(wǎng)和同義詞詞林的詞語相似度計(jì)算方法[14]，其中，相似度取值為0～1。對于任意詞語T1和T2，依據(jù)其在知網(wǎng)和同義詞詞林中的分布情況，計(jì)算出其相似度分別為S1和S2；同時(shí)，為S1和S2分別賦予權(quán)值 λ1和 λ2，且滿足 λ1和 λ2，根據(jù)式(1)計(jì)算出綜合知網(wǎng)和同義詞詞林的詞語語義相似度。

通過采用上述方法進(jìn)行試驗(yàn)，本文將S=0.7設(shè)置為閾值，對朋友關(guān)系描述詞擴(kuò)充前后進(jìn)行了比較。

根據(jù)上述的討論，可以設(shè)計(jì)算法1來幫助分析本文如何對朋友關(guān)系詞庫進(jìn)行擴(kuò)充。

images/BZ_61_278_1051_1187_2055.png

3 朋友關(guān)系識別

本章提出朋友關(guān)系識別的方法，主要采用哈工大語言技術(shù)平臺（language technology platform，LTP）對微博文本數(shù)據(jù)進(jìn)行朋友關(guān)系識別。

3.1 判定核心謂詞

大量實(shí)驗(yàn)數(shù)據(jù)表明語句中實(shí)體與核心謂詞的距離與其他謂詞距離存在顯著差異，即間接反映出實(shí)體間存在一種關(guān)系特征。圖2所示，例如語句“張勇和李俊成為密友，他們相處的很和睦且經(jīng)常一起打球”。在圖2中，ROOT表示根節(jié)點(diǎn)即核心謂詞“成為”，謂詞還包括“相處”、“打球”，通過公式(2)計(jì)算得出，各實(shí)體和核心謂詞間平均距離為3，與其他謂詞間平均距離為5。

其中，M表示微博語句實(shí)體的個(gè)數(shù)，A表示語句中謂詞個(gè)數(shù)，N表示執(zhí)行的總次數(shù)，Ei表示實(shí)體在句中的位置，Pj表示句子中某一謂詞的位置。

3.2 依存句法分析

依存句法分析是用來確定句子的句法結(jié)構(gòu)或句中詞匯間的依存關(guān)系[15]，主要通過分析詞語之間的搭配關(guān)系，進(jìn)而獲得各成分之間存在的聯(lián)系。本文將核心謂詞與依存句法關(guān)系作為朋友關(guān)系抽取時(shí)的一種句法特征，通過核心謂詞判定人物實(shí)體對。圖3所示，例如語句“馬云在以色列演講時(shí)表示現(xiàn)在與比爾·蓋茨成為非常親密的好朋友?！逼渲?，“馬云”和“比爾·蓋茨”表示人物實(shí)體，且“以色列”表示地名實(shí)體，并與“在”形成介賓關(guān)系，核心謂詞為“成為”，進(jìn)而得出實(shí)體關(guān)系對為（馬云，比爾·蓋茨）。

圖2 核心謂詞實(shí)例

圖3 依存句法分析實(shí)例

3.3 語義分析

語義分析是指根據(jù)語句的句法結(jié)構(gòu)以及句中各實(shí)詞的詞義，預(yù)測出能夠表達(dá)語句意思的某種形式化表示[16]。其主要表現(xiàn)為“謂語—角色”的結(jié)構(gòu)形式。圖4所示，例如“張強(qiáng)經(jīng)常和王娟在微博互動，他們通過互粉成為好友?！痹摼渲兄^詞是“互動”，動作的施事者（A0）為“張強(qiáng)”，動作的影響者（A1）為“好友”，該句話表明動作實(shí)施者帶來的影響是成為“好友”。

3.4 綜合句法與語義特征

本文在傳統(tǒng)人物關(guān)系抽取基礎(chǔ)上采用哈工大語言處理技術(shù)進(jìn)行改進(jìn)，進(jìn)而得到獲取更多含有句法、語義特征的語句，具體做法如下。

（ⅰ）語句結(jié)構(gòu)。選擇語句中包含人物關(guān)系對的微博文本。

（ⅱ）核心謂詞。本文根據(jù)實(shí)體和核心謂詞在語句中位置，計(jì)算出各實(shí)體與核心謂詞、其他謂詞的距離，并將實(shí)體和核心謂詞的距離作為關(guān)系抽取的特征。當(dāng)語句中實(shí)體對超過一對時(shí)，選擇與核心謂詞距離最近的兩個(gè)不同實(shí)體位置作為本次研究對象。

（ⅲ）依存句法分析。獲取語料庫中每對實(shí)體對之間存在的依存句法關(guān)系。

（ⅳ）語義分析。在進(jìn)行上述操作后，選擇哈工大語言處理技術(shù)對語句進(jìn)行語義分析[17]，并將分析結(jié)果作為朋友關(guān)系抽取特征。

圖5，例如“王總和張總變成彼此最好的朋友，并且經(jīng)常合作?！辈捎脗鹘y(tǒng)方法在分詞、詞性、上下文語境方面，根據(jù)特征詞“合作”，推斷出“王總”、“張總”屬于合作關(guān)系；本文在傳統(tǒng)人物抽取關(guān)系的基礎(chǔ)上增加了核心謂詞、依存句法、語義分析等提取特征，推斷出該句核心謂詞ROOT為“變成”，兩人物實(shí)體分別為“王總”、“張總”，通過分析得到表示該句實(shí)體對關(guān)系為朋友關(guān)系。

本章先對微博文本數(shù)據(jù)進(jìn)行預(yù)處理，接著依次判定核心謂詞、依存句法分析、語義分析[18]等操作，綜合使用這些方法對微博語句進(jìn)行分析，顯著提高朋友關(guān)系抽取的準(zhǔn)確率。

圖4 語義分析實(shí)例

圖5 基于句法、語義特征的人物關(guān)系實(shí)例

4 實(shí)驗(yàn)結(jié)果

4.1 實(shí)驗(yàn)評價(jià)指標(biāo)

本次實(shí)驗(yàn)?zāi)康氖轻槍ξ⒉┲信笥殃P(guān)系進(jìn)行數(shù)據(jù)抽取。實(shí)驗(yàn)評價(jià)指標(biāo)主要包括三方面[19]，即準(zhǔn)確率P、召回率R以及F1指數(shù)。

其中，C是正確挖掘的實(shí)例個(gè)數(shù)；T是挖掘出的所有實(shí)例個(gè)數(shù)；S是實(shí)驗(yàn)數(shù)據(jù)集中所有實(shí)例個(gè)數(shù)。

4.2 實(shí)驗(yàn)分析

從微博上爬取關(guān)于話題“朋友”的微博[20]，隨機(jī)抽取該微博話題下的2 000條微博評論進(jìn)行朋友關(guān)系挖掘，并計(jì)算出人物關(guān)系對中屬于朋友關(guān)系的準(zhǔn)確率P、召回率R和F1值。實(shí)驗(yàn)分為A、B、C、D四組，分別對應(yīng)核心謂詞和依存句法組、語義分析和依存句法組、核心謂詞和語義分析組以及語義分析、依存句法和核心謂詞組，具體實(shí)驗(yàn)結(jié)果如圖6。

圖6 朋友關(guān)系挖掘?qū)嶒?yàn)結(jié)果對比圖

由圖6可以得到基于微博的朋友關(guān)系實(shí)驗(yàn)評價(jià)結(jié)果，A組、B組、C組以及D組實(shí)驗(yàn)結(jié)果準(zhǔn)確率P分別為 68.36%、68.75%、67.97%、69.05%，其中，A組、B組和C組差別不明顯，D組實(shí)驗(yàn)在綜合A組、B組、C組實(shí)驗(yàn)特征后，準(zhǔn)確率P明顯高于A組、B組、C組，朋友關(guān)系的挖掘效果更加顯著。說明本文提出的方法在挖掘基于微博的朋友關(guān)系方面能提供有效的幫助。

實(shí)驗(yàn)結(jié)果表明，在微博中挖掘朋友關(guān)系時(shí)，僅僅考慮部分特征不能夠提高實(shí)驗(yàn)結(jié)果的正確率，即需要對語句進(jìn)行綜合考慮，本文將核心謂詞、句法依存和語義分析等特征聯(lián)系起來，通過上述的實(shí)驗(yàn)，證明了該方法的有效性。

5 小結(jié)

針對如何提高微博中朋友關(guān)系挖掘的準(zhǔn)確率，本文提出一種基于句法與語義特征分析的朋友關(guān)系挖掘方法。實(shí)驗(yàn)結(jié)果證明，該方法能有效提高挖掘效率和準(zhǔn)確性。在未來，朋友關(guān)系識別方法可以結(jié)合深度學(xué)習(xí)應(yīng)用于多種領(lǐng)域，如實(shí)體關(guān)系挖掘、情感分析、用戶推薦等方面。