融入篇章信息的文學(xué)作品命名實(shí)體識(shí)別

賈玉祥,晁 睿,昝紅英,竇華溢,曹 帥,2,徐 碩,2

(1. 鄭州大學(xué) 計(jì)算機(jī)與人工智能學(xué)院,河南 鄭州 450000;2. 鄭州中業(yè)科技股份有限公司,河南 鄭州 450000)

0 引言

命名實(shí)體識(shí)別[1]是信息抽取的基礎(chǔ)任務(wù)之一,其主要目標(biāo)是將文本中的人名、地名、機(jī)構(gòu)名等實(shí)體名識(shí)別出來(lái),以服務(wù)于自動(dòng)問(wèn)答、機(jī)器翻譯、文本分析等下游任務(wù)。使用命名實(shí)體識(shí)別技術(shù),識(shí)別出文學(xué)作品中人物等實(shí)體,對(duì)文學(xué)作品的智能分析和數(shù)據(jù)挖掘具有重要意義,如人物建模[2]、社會(huì)網(wǎng)絡(luò)構(gòu)建[3]、事件抽取[4]等任務(wù)都使用了實(shí)體信息。文學(xué)領(lǐng)域的命名實(shí)體識(shí)別,目前還是一個(gè)具有挑戰(zhàn)性的任務(wù)[5]。主要原因有: ①文學(xué)作品語(yǔ)料與通用領(lǐng)域語(yǔ)料的差異大,不同作者寫作風(fēng)格不同,模型難以泛化;②作品中人物等實(shí)體復(fù)雜多變,模型難以學(xué)習(xí)特征;③文學(xué)領(lǐng)域的命名實(shí)體識(shí)別研究較少,缺乏大規(guī)模、高質(zhì)量的標(biāo)注語(yǔ)料。

通用的命名實(shí)體識(shí)別方法大多是針對(duì)句子級(jí)的數(shù)據(jù),這些方法能夠捕捉到句子內(nèi)部的依賴關(guān)系,但是忽略了句間的長(zhǎng)距離依賴,而篇幅長(zhǎng)正是小說(shuō)等文學(xué)作品的一大特點(diǎn)。文學(xué)作品中的人物、地點(diǎn)等實(shí)體通常不是孤立存在的,同一篇章中的實(shí)體相互交織形成一個(gè)整體的網(wǎng)絡(luò)[6]。以往的命名實(shí)體識(shí)別方法只關(guān)注實(shí)體本身,忽略了篇章中實(shí)體之間的聯(lián)系。本文模型將篇章中的實(shí)體進(jìn)行一致性把控和識(shí)別,能夠有效提升文學(xué)作品命名實(shí)體識(shí)別的效果。

本文的主要研究貢獻(xiàn)包括以下兩個(gè)方面: 構(gòu)建了基于兩部金庸武俠小說(shuō)的命名實(shí)體識(shí)別數(shù)據(jù)集,并將其開放共享;針對(duì)文學(xué)作品特性,提出一種融入篇章信息的命名實(shí)體識(shí)別模型,實(shí)驗(yàn)表明該方法能夠有效提升文學(xué)作品命名實(shí)體識(shí)別的效果。

1 相關(guān)工作

近些年深度學(xué)習(xí)模型在自然語(yǔ)言處理領(lǐng)域取得了廣泛應(yīng)用和良好的效果[7]。Collobert等人[8]首次提出基于深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)的命名實(shí)體識(shí)別模型,該模型能夠在大規(guī)模的真實(shí)數(shù)據(jù)上獲得較好的命名實(shí)體識(shí)別效果,但該模型無(wú)法捕捉長(zhǎng)距離的依賴關(guān)系。Kuru等人[9]使用LSTM提取全局特征,在多種不同語(yǔ)言上均取得了良好的命名實(shí)體識(shí)別效果。柏兵等人[10]將雙向LSTM模型和CRF模型進(jìn)行結(jié)合,在1998年《人民日?qǐng)?bào)》語(yǔ)料庫(kù)上取得了較好識(shí)別效果。Zhang等人[11]在序列標(biāo)注模型基礎(chǔ)上融入潛在的詞匯信息,提出了Lattice LSTM模型。Liu等人[12]提出一種LM-LSTM-CRF任務(wù)感知型模型,在CoNLL-03命名實(shí)體識(shí)別數(shù)據(jù)集上F1值達(dá)到了91.71%。王月等人[13]提出一種BERT-Bi-LSTM-Attention-CRF模型,在警情文本命名實(shí)體識(shí)別上準(zhǔn)確率達(dá)91%。陳茹等人[14]充分考慮到文本層次化結(jié)構(gòu)對(duì)實(shí)體識(shí)別的重要性,提出了IDC-HSAN模型。Gui等人[15]通過(guò)對(duì)篇章級(jí)數(shù)據(jù)中的標(biāo)簽進(jìn)行一致性把控,提出一種篇章級(jí)命名實(shí)體識(shí)別方法,在多個(gè)英文數(shù)據(jù)集上達(dá)到最優(yōu)結(jié)果。

以往命名實(shí)體識(shí)別研究大都聚焦在通用領(lǐng)域語(yǔ)料,針對(duì)文學(xué)作品領(lǐng)域的嘗試較少。Vala等人[16]提出一種基于圖的Pipeline模型來(lái)識(shí)別文學(xué)作品中的人物,在多個(gè)數(shù)據(jù)集上獲得很好的結(jié)果。同時(shí)提出一個(gè)衡量人物識(shí)別性能的評(píng)價(jià)框架,為以后相關(guān)工作提供了評(píng)價(jià)標(biāo)準(zhǔn)。Brooke等人[17]提出一種LitNER模型來(lái)進(jìn)行小說(shuō)命名實(shí)體識(shí)別,該模型基于Bootstrap方法,使用無(wú)監(jiān)督方式進(jìn)行訓(xùn)練,實(shí)驗(yàn)表明在給定文本全部上下文的條件下,該模型優(yōu)于有監(jiān)督方法。Xu等人[18]為解決中文文學(xué)文本命名實(shí)體識(shí)別數(shù)據(jù)匱乏的問(wèn)題,基于700余篇文學(xué)領(lǐng)域的文章構(gòu)建了一個(gè)面向中文文學(xué)作品的命名實(shí)體識(shí)別和關(guān)系抽取數(shù)據(jù)集。謝韜[19]通過(guò)對(duì)宋詞和史記等古文語(yǔ)料進(jìn)行研究,首先基于Apriori算法和LSTM模型對(duì)語(yǔ)料進(jìn)行分詞處理,再通過(guò)LSTM和CRF模型對(duì)數(shù)據(jù)進(jìn)行命名實(shí)體識(shí)別,實(shí)驗(yàn)表明,該方法能夠有效識(shí)別古文中的重要實(shí)體。Bamman等人[20]依照ACE標(biāo)注規(guī)范,對(duì)100部英文小說(shuō)進(jìn)行命名實(shí)體標(biāo)注,標(biāo)注范圍為每一部小說(shuō)的前1 000個(gè)詞,在該數(shù)據(jù)集上訓(xùn)練能夠有效提升文學(xué)領(lǐng)域命名實(shí)體識(shí)別的效果。

2 中文小說(shuō)NER數(shù)據(jù)集

2.1 人物/PER

人物主要指具體角色的人名,是文學(xué)作品中的核心實(shí)體。如在表1中“郭靖心想不錯(cuò)”中包含的人物“郭靖”,“丘處機(jī)和她在終南山上比鄰而居”中的“丘處機(jī)”均為人物實(shí)體。需要注意的是,文學(xué)作品中通常包含非主要人物的集合、親屬稱謂、人名指代,這些不在人物實(shí)體的標(biāo)注范圍內(nèi)。如“兩株大松樹下圍著一堆村民”中的“村民”,“卻不提父親已自刎身死之事”中的“父親”,均不做標(biāo)注。

表1 人物實(shí)體示例

2.2 地點(diǎn)/LOC

地點(diǎn)主要指故事情節(jié)發(fā)生的地點(diǎn)或者對(duì)話中提及的地點(diǎn),地點(diǎn)實(shí)體包括的范圍較廣。如在表2中,“從西域帶來(lái)了這八盆蘭花”中的“西域”為范圍較大的地點(diǎn)實(shí)體,“臨安府牛家村村民郭嘯天、楊鐵心二犯”中的“臨安府”“牛家村”為范圍較小的地點(diǎn)實(shí)體,“臨安府”“牛家村”應(yīng)分開標(biāo)注。

表2 地點(diǎn)實(shí)體示例

2.3 組織/ORG

組織主要指門派或者幫會(huì),主要特點(diǎn): 成員們的武功都是一脈相傳的,常以“派”“門”“教”“幫”“會(huì)”結(jié)尾。如在表3中,“要講武功,終究全真教是正宗”中的“全真教”“丐幫卻號(hào)稱江湖上第一大幫”中的“丐幫”均為組織實(shí)體。

表3 組織實(shí)體

2.4 武器/WEP

武器主要包括兵器和武功。兵器指的是某人所使用的特定武器,如在表4中,“丐幫中規(guī)矩,見了打狗棒如見幫主本人”中的“打狗棒”為武器中的兵器實(shí)體。需注意,單字的兵器實(shí)體不做標(biāo)注。武功指的是某個(gè)人所使用的特定武功,如表4中,“貧道就以太極拳中的招數(shù)和他拆幾手”中的“太極拳”為武器中的武功實(shí)體。

表4 武器實(shí)體

2.5 數(shù)據(jù)集統(tǒng)計(jì)

數(shù)據(jù)集總體統(tǒng)計(jì)如表5所示,人物實(shí)體占比最大。 高頻人物實(shí)體如圖1所示,可以看出兩部小說(shuō)的主要人物“郭靖”“楊過(guò)”“黃蓉”“小龍女”出現(xiàn)頻次最高,符合小說(shuō)的主要人物特性。高頻地點(diǎn)實(shí)體如圖2所示,其中“蒙古”和“襄陽(yáng)”為主要故事情節(jié)發(fā)生地點(diǎn)。高頻組織實(shí)體如圖3所示,其中“桃花島”為組織實(shí)體,而并非一個(gè)地點(diǎn),“全真教”“全真派”和“全真”為同一組織的不同稱呼,后續(xù)將進(jìn)行共指消解的標(biāo)注。高頻武器實(shí)體如圖4所示,其中“長(zhǎng)劍”為多數(shù)人使用兵器,故出現(xiàn)頻次最多,“九陰真經(jīng)”為兩部小說(shuō)中重要武功,出現(xiàn)頻次為第二。

圖1 高頻人物實(shí)體

圖2 高頻地點(diǎn)實(shí)體

圖3 高頻組織實(shí)體

圖4 高頻武器實(shí)體

表5 數(shù)據(jù)集總體統(tǒng)計(jì)

2.6 標(biāo)注一致性分析

為保證標(biāo)注質(zhì)量,本文采用多輪迭代修正的模式進(jìn)行標(biāo)注規(guī)范的修訂和標(biāo)注工作,每一篇小說(shuō)文本同時(shí)有兩名標(biāo)注人員進(jìn)行標(biāo)注。首先由一標(biāo)負(fù)責(zé)人對(duì)小說(shuō)文本進(jìn)行初步標(biāo)注,得到一標(biāo)結(jié)果;然后由二標(biāo)負(fù)責(zé)人對(duì)一標(biāo)的標(biāo)注結(jié)果進(jìn)行檢查驗(yàn)證,得到二標(biāo)結(jié)果。如有一標(biāo)、二標(biāo)標(biāo)注不一致的地方,二人進(jìn)行討論并給出解決方案,最后再由一標(biāo)負(fù)責(zé)人對(duì)標(biāo)注結(jié)果進(jìn)行確認(rèn),得到三標(biāo)結(jié)果。對(duì)于標(biāo)注過(guò)程分歧較多的情況,本文經(jīng)過(guò)反復(fù)討論后確定。

本次標(biāo)注使用F1值[21]作為一致性評(píng)價(jià)標(biāo)準(zhǔn),分別對(duì)四種實(shí)體進(jìn)行標(biāo)注一致性檢驗(yàn)。表6中Mac-F1為宏平均F1值,宏平均F1值對(duì)每個(gè)實(shí)體類別單獨(dú)計(jì)算F1值,然后將所有實(shí)體類別的F1值取平均;Mic-F1為微平均F1值,微平均F1值將所有類別的預(yù)測(cè)結(jié)果匯總后,再計(jì)算F1值。由表6可以看出,不同實(shí)體的標(biāo)注一致性存在差異,其中人物和組織實(shí)體標(biāo)注一致性較高,武器和地點(diǎn)實(shí)體標(biāo)注一致性較低?？傮w標(biāo)注一致性微平均達(dá)到0.938 1,宏平均達(dá)到0.893 3,表明該數(shù)據(jù)集是可信賴的[22]。

表6 標(biāo)注一致性分析

3 融入篇章信息的命名實(shí)體識(shí)別模型

本文通過(guò)融合兩個(gè)模型來(lái)進(jìn)行文學(xué)作品的命名實(shí)體識(shí)別,模型整體結(jié)構(gòu)如圖5所示。首先使用BiGRU-CRF[23]模型來(lái)預(yù)測(cè)數(shù)據(jù)的初步標(biāo)簽,同時(shí)將隱藏狀態(tài)和初步標(biāo)簽存入篇章信息字典,然后將篇章信息字典融入Transformer模型[24]中得到新的預(yù)測(cè)標(biāo)簽, 最后通過(guò)比較新的預(yù)測(cè)標(biāo)簽和初步標(biāo)簽的可信度,得到最終模型預(yù)測(cè)的結(jié)果。模型充分考慮篇章中不同行數(shù)據(jù)之間的遠(yuǎn)距離依賴關(guān)系,兩個(gè)數(shù)據(jù)集上的多個(gè)實(shí)驗(yàn)表明了該模型的有效性。

圖5 模型整體結(jié)構(gòu)圖

3.1 篇章信息字典

篇章信息篇章信息是通過(guò)對(duì)數(shù)據(jù)集進(jìn)行人為劃分來(lái)構(gòu)建的,篇章大小定義為ch個(gè)連續(xù)的句子。篇章信息字典保存該篇章中所有字符和字符對(duì)應(yīng)的所有的隱藏向量信息,字符i可能在該篇章不同上下文中對(duì)應(yīng)多個(gè)隱藏向量(hi:1,…,hi:n),模型在進(jìn)行標(biāo)簽預(yù)測(cè)時(shí)會(huì)同時(shí)考慮字符i的所有隱藏向量,從而可以捕捉篇章中不同行數(shù)據(jù)之間的遠(yuǎn)程依賴和同行數(shù)據(jù)之間的近程依賴。

篇章信息字典的構(gòu)建模型通過(guò)BiGRU+CRF來(lái)進(jìn)行初步預(yù)測(cè)和篇章信息字典的構(gòu)建,篇章信息字典表示為D={ENTRYc1,…,ENTRYcN},ENTRYci中包含字符i的隱藏狀態(tài)向量hi和對(duì)應(yīng)標(biāo)簽的嵌入li,整個(gè)字典中包含篇章中所有字符的隱藏狀態(tài)向量和標(biāo)簽嵌入。由于同一字符i上下文可能不同,因此字符i可以在篇章字典中出現(xiàn)多次(hi:1,li:1),…,(hi:n,li:n),即同一字符i的隱藏狀態(tài)向量hi和對(duì)應(yīng)標(biāo)簽的嵌入li可能不同。但是對(duì)于給定的隱藏狀態(tài)向量hi:j,只有唯一的標(biāo)簽嵌入li:j與其對(duì)應(yīng)。

篇章信息字典的應(yīng)用在第二階段Transformer模型中,首先對(duì)輸入的字符i進(jìn)行篇章字典查找,得到隱藏狀態(tài)向量(hi:1,…,hi:n),然后通過(guò)Softmax計(jì)算出所有隱藏狀態(tài)向量的概率分布phi:j,如式(1)所示。

其中,xi為字符i的字向量,W為線性運(yùn)算矩陣,hi:j為對(duì)應(yīng)的隱藏狀態(tài)向量。然后通過(guò)計(jì)算每個(gè)隱藏狀態(tài)向量hi:j與該向量的概率phi:j的乘積得到該隱藏狀態(tài)向量對(duì)字符i的貢獻(xiàn),最后將所有貢獻(xiàn)相加得到字符i的整體隱藏狀態(tài)向量hi,hi包含了整個(gè)篇章中字符i的信息,hi計(jì)算方式如式(2)所示。

3.2 BiGRU-CRF模型

GRU全稱為Gated Recurrent Unit,即門限循環(huán)單元,是一種改進(jìn)的循環(huán)神經(jīng)網(wǎng)絡(luò)RNN[25],能夠有效解決RNN網(wǎng)絡(luò)梯度消失和爆炸的問(wèn)題,同時(shí)相較于LSTM模型更為簡(jiǎn)化。其中,zt為更新門,rt為重置門,xt為輸入文本的向量,ht是第t步隱藏狀態(tài)。

CRF全稱為Conditional Random Field,即條件隨機(jī)場(chǎng),是一種無(wú)向圖模型[26]。該模型能夠?qū)㈦S機(jī)變量的輸入轉(zhuǎn)換為條件概率分布,能夠有效學(xué)習(xí)到訓(xùn)練數(shù)據(jù)中與標(biāo)簽有關(guān)的約束條件,能夠保證得到結(jié)果的合法性。對(duì)于給定數(shù)據(jù)W=(w1,…,wn),其預(yù)測(cè)標(biāo)簽序列y=(y1,…,yn)。 計(jì)算方式如式(7)所示。

其中,M為條件轉(zhuǎn)移矩陣,Myi,yi+1為從yi標(biāo)簽轉(zhuǎn)移到y(tǒng)i+1標(biāo)簽的概率,Ni,yi表示第i個(gè)字被標(biāo)記為標(biāo)簽yi的概率。

3.3 Transformer模型

Transformer模型首先通過(guò)多頭自注意力機(jī)制對(duì)融入篇章信息的隱藏狀態(tài)向量h進(jìn)行注意力計(jì)算,第一步先對(duì)Q矩陣和K矩陣進(jìn)行相似度計(jì)算,得到相似度f(wàn)如式(8)所示。

相似度f(wàn)通過(guò)Softmax函數(shù)歸一化后與相應(yīng)的V矩陣加權(quán)求和得到最后的注意力如式(9)所示。

MultiHead=Concat(head1,…,headm)WO

(10)

(11)

3.4 可信度計(jì)算

模型最終的輸出結(jié)果通過(guò)計(jì)算標(biāo)簽預(yù)測(cè)可信度來(lái)確定,標(biāo)簽可信度計(jì)算過(guò)程如下: 首先使用相同的方法分別計(jì)算兩個(gè)模型預(yù)測(cè)標(biāo)簽的錯(cuò)誤率ri如式(12)所示。

4 實(shí)驗(yàn)結(jié)果

4.1 實(shí)驗(yàn)設(shè)置

實(shí)驗(yàn)使用哈工大LTP工具[27]、BiLSTM-CRF、BiGRU-CRF、Lattice-LSTM-CRF和BERT-LSTM-CRF模型作為基線模型,其中LTP工具不訓(xùn)練直接用于識(shí)別。主要進(jìn)行了以下四個(gè)實(shí)驗(yàn):

實(shí)驗(yàn)一整體數(shù)據(jù)集劃分訓(xùn)練集: 驗(yàn)證集: 測(cè)試集為2∶1∶1進(jìn)行實(shí)驗(yàn)。

實(shí)驗(yàn)二對(duì)訓(xùn)練數(shù)據(jù)中未出現(xiàn)的新實(shí)體(OOV)召回率單獨(dú)進(jìn)行測(cè)評(píng)。

實(shí)驗(yàn)三針對(duì)不同篇章篇幅設(shè)置進(jìn)行實(shí)驗(yàn),篇章篇幅設(shè)置為ch個(gè)連續(xù)的句子,實(shí)驗(yàn)得到最佳篇章篇幅設(shè)置。

實(shí)驗(yàn)四由于1998年《人民日?qǐng)?bào)》1月命名實(shí)體識(shí)別數(shù)據(jù)集具有天然的篇章信息(每一篇新聞為一個(gè)篇章),對(duì)該數(shù)據(jù)集劃分訓(xùn)練集: 驗(yàn)證集: 測(cè)試集3∶1∶1,分別進(jìn)行保留原有新聞篇章和去除篇章的實(shí)驗(yàn),進(jìn)一步驗(yàn)證篇章信息的有效性。實(shí)驗(yàn)超參數(shù)設(shè)置如表7所示。

表7 超參數(shù)設(shè)置

4.2 實(shí)驗(yàn)結(jié)果及分析

實(shí)驗(yàn)一結(jié)果如表8所示,其中BiLSTM-CRF、BiGRU-CRF、Lattice-LSTM-CRF和本文提出的模型使用同一個(gè)字向量表,可以看到本文提出的模型明顯優(yōu)于這三種模型。LTP工具由于其訓(xùn)練數(shù)據(jù)為通用領(lǐng)域,在文學(xué)領(lǐng)域數(shù)據(jù)集上結(jié)果較差,Lattice-LSTM-CRF效果低于BiLSTM-CRF的原因可能是因?yàn)長(zhǎng)attice-LSTM模型中的詞向量表與本數(shù)據(jù)集領(lǐng)域差異較大。BERT-LSTM-CRF模型由于引入外部預(yù)訓(xùn)練數(shù)據(jù),宏平均Mac-F1高于本文提出模型,但其微平均Mic-F1值低于本文提出模型。由此可知本文所提出的模型在不引入外部資源的情況下,效果達(dá)到了最好。

表8 整體實(shí)驗(yàn)結(jié)果 (單位: %)

實(shí)驗(yàn)二結(jié)果如表9所示,模型對(duì)于OOV實(shí)體的識(shí)別效果均低于實(shí)驗(yàn)一。Lattice-LSTM在實(shí)驗(yàn)二中的識(shí)別OOV的能力優(yōu)于BiLSTM-CRF和BiGRU-CRF。BERT-LSTM-CRF模型Mac-Recall高于本文提出模型,但由于其人物實(shí)體識(shí)別率較低且人物實(shí)體占比較大,故Mic-Recall遠(yuǎn)低于本文提出模型。

表9 OOV實(shí)體識(shí)別效果 (單位: %)

實(shí)驗(yàn)三結(jié)果如圖6和圖7所示,X軸上的值表示一個(gè)篇章中包含的句子數(shù)。通過(guò)圖片可以看到,隨著篇章篇幅的增大,模型識(shí)別效果表現(xiàn)出先提升再下降的趨勢(shì),并在篇章篇幅為20的時(shí)候達(dá)到最好。原因可能是在篇章篇幅過(guò)小時(shí),篇章信息過(guò)少,模型只能學(xué)到有限的篇章信息;而在篇章篇幅過(guò)大時(shí),篇章內(nèi)數(shù)據(jù)之間關(guān)聯(lián)性下降,模型可能學(xué)到有偏誤的篇章信息。以上分析證明了篇章信息在模型中進(jìn)行命名實(shí)體識(shí)別是有效的。

圖6 不同篇章篇幅Mac-F1值

圖7 不同篇章篇幅Mic-F1值

實(shí)驗(yàn)四結(jié)果如表10所示,《人民日?qǐng)?bào)》數(shù)據(jù)集具有天然的篇章信息,同一篇新聞報(bào)道往往主題相同,實(shí)體之間聯(lián)系較為緊密,模型能夠?qū)W習(xí)到的篇章信息較多。實(shí)驗(yàn)結(jié)果也證明了這一點(diǎn),保存篇章信息比去除篇章信息的平均F1值提高了3個(gè)百分點(diǎn)以上。

表10 《人民日?qǐng)?bào)》數(shù)據(jù)集實(shí)驗(yàn)結(jié)果

4.3 案例分析

案例分析如圖8所示,第一句話中“靖哥哥”的“靖”和后面同一篇章中另一句話中“郭靖”的“靖”形成篇章級(jí)依賴關(guān)系,二者均被預(yù)測(cè)為人物標(biāo)簽。而后面一句話中“郭靖”的“靖”和“靖康之恥”中的“靖”屬于本地句子級(jí)依賴關(guān)系,但二者的標(biāo)簽并不相同。由此可知,如果只考慮句子級(jí)的依賴關(guān)系,有可能導(dǎo)致模型預(yù)測(cè)錯(cuò)誤,而加入篇章信息之后,可以有效避免這一問(wèn)題發(fā)生。

錯(cuò)誤分析如圖9所示,第一句話和第二句話中出現(xiàn)的“孫婆婆”實(shí)體均被錯(cuò)誤識(shí)別為“孫婆”。原因可能為“孫婆婆”實(shí)體出現(xiàn)較少且篇章內(nèi)出現(xiàn)大量“老太婆”“老婆婆”等不是命名實(shí)體的字符串,“孫婆婆”中的第二個(gè)“婆”錯(cuò)誤依賴了“老太婆”“老婆婆”中的“婆”,從而導(dǎo)致“孫婆婆”中的第二個(gè)“婆”被標(biāo)注為標(biāo)簽O。

5 文學(xué)作品命名實(shí)體識(shí)別的應(yīng)用

從小說(shuō)中識(shí)別出命名實(shí)體之后,就可以進(jìn)行后續(xù)的實(shí)體關(guān)系的研究。以人物之間的關(guān)系為例,根據(jù)人物實(shí)體在篇章中的共現(xiàn)情況可以構(gòu)造社會(huì)網(wǎng)絡(luò),進(jìn)而可以利用復(fù)雜網(wǎng)絡(luò)技術(shù)來(lái)分析人物之間的關(guān)聯(lián)關(guān)系。

使用模型在《射雕英雄傳》上的NER識(shí)別結(jié)果,篇章大小設(shè)置為20句,即20句以內(nèi)共同出現(xiàn)的人物具有共現(xiàn)關(guān)系,構(gòu)造的社會(huì)網(wǎng)絡(luò)(部分)如圖10所示,也可以獲取以個(gè)人為中心的網(wǎng)絡(luò),圖11為主要人物“楊康”的人物關(guān)系網(wǎng)絡(luò)。為了獲取更精確的社會(huì)網(wǎng)絡(luò),后續(xù)可以在NER基礎(chǔ)上進(jìn)一步做指代消解,以獲得實(shí)體層面的共現(xiàn)關(guān)系。另一方面,也可以考慮用對(duì)話關(guān)系代替共現(xiàn)關(guān)系,探索更加多樣性的社會(huì)網(wǎng)絡(luò)[28]。

圖10 《射雕英雄傳》中的人物社會(huì)網(wǎng)絡(luò)

圖11 《射雕英雄傳》楊康的社會(huì)網(wǎng)絡(luò)

6 總結(jié)與展望

本文基于兩部金庸武俠小說(shuō)構(gòu)建了命名實(shí)體識(shí)別數(shù)據(jù)集,同時(shí)提出一種融入篇章信息的命名實(shí)體識(shí)別模型,通過(guò)多角度實(shí)驗(yàn)證明了該模型的有效性。最后本文構(gòu)建了《射雕英雄傳》的人物社會(huì)網(wǎng)絡(luò),體現(xiàn)了文學(xué)領(lǐng)域NER的應(yīng)用價(jià)值。

本文構(gòu)造的數(shù)據(jù)集還存在規(guī)模較小、來(lái)源單一的問(wèn)題,下一步工作將繼續(xù)加大文學(xué)作品數(shù)據(jù)標(biāo)注規(guī)模,豐富文本來(lái)源;優(yōu)化命名實(shí)體識(shí)別模型,并探索人物實(shí)體之間的關(guān)系以及不同實(shí)體之間的關(guān)系。