徐志浩，惠浩添，錢龍華，朱巧明

(1. 蘇州大學(xué) 自然語言處理實驗室，江蘇 蘇州 215006；2. 蘇州大學(xué) 計算機(jī)科學(xué)與技術(shù)學(xué)院，江蘇 蘇州 215006)

?

中文維基百科的實體分類研究

徐志浩1,2，惠浩添1,2，錢龍華1,2，朱巧明1,2

(1. 蘇州大學(xué) 自然語言處理實驗室，江蘇 蘇州 215006；2. 蘇州大學(xué) 計算機(jī)科學(xué)與技術(shù)學(xué)院，江蘇 蘇州 215006)

維基百科實體分類對自然語言處理和機(jī)器學(xué)習(xí)具有重要的作用。該文采用機(jī)器學(xué)習(xí)的方法對中文維基百科的條目進(jìn)行實體分類，在利用維基百科頁面中半結(jié)構(gòu)化信息和無結(jié)構(gòu)化文本作為基本特征的基礎(chǔ)上，結(jié)合中文的特點使用擴(kuò)展特征和語義特征來提高實體分類性能。在人工標(biāo)注的語料庫上的實驗表明，這些額外特征有效地提高了ACE分類體系上的實體分類性能，總體F1值達(dá)到96%，同時在擴(kuò)展實體分類上也取得了較好的效果，總體F1值達(dá)95%。

維基百科；實體分類；半結(jié)構(gòu)化信息；信息框

1 引言

維基百科作為一個開放的知識庫系統(tǒng)，其中的條目都是對一個概念或者實體的內(nèi)容描述，每個條目的頁面中包含了豐富的結(jié)構(gòu)化、半結(jié)構(gòu)化的信息和文本資源。維基百科實體分類是指對維基百科中的條目進(jìn)行識別和分類，從中提取出各種類型的實體(如人物、組織、地名等)。對于這些實體的分類有助于進(jìn)一步從維基百科中挖掘出更豐富的信息(如實體關(guān)系、語義關(guān)系等)，同時維基百科中豐富的文本也為自然語言處理和機(jī)器學(xué)習(xí)提供了高質(zhì)量的語料來源[1-2]。

2 相關(guān)工作

對維基百科條目進(jìn)行實體的識別和分類，目前主要有兩種方法: 基于啟發(fā)式規(guī)則的方法和基于機(jī)器學(xué)習(xí)的方法。早期的方法主要是基于規(guī)則，如Bunescu 和Pasca[3]利用了標(biāo)題首字母大寫等一系列規(guī)則來識別英文維基百科的某個條目是否是一個命名實體。Zirn等[4]進(jìn)一步利用分類框(Category)中心詞的單復(fù)數(shù)形式這一規(guī)則，他們認(rèn)為如果類別中心詞是以單數(shù)形式出現(xiàn)的，這個中心詞就是一個實體。Toral等[5]則首先提取條目摘要中的第一句(稱為定義句)，并找出句中所有名詞在WordNet中的語義層次及類別來幫助確定條目所屬的實體類別。基于規(guī)則方法的缺點是缺乏靈活性，需要對不同的實體類型制定不同的規(guī)則，并且隨著規(guī)則的增多，不同規(guī)則之間可能會產(chǎn)生沖突。

利用機(jī)器學(xué)習(xí)來進(jìn)行實體識別和分類可以克服這一缺點。Bhole[6]在維基百科條目文章的第一段和全文文本上，分別利用詞包(bag-of-words)模型，使用SVM進(jìn)行條目的實體分類工作。Tardif等[7]將維基百科的摘要文本作為基本特征，并使用了分類框、信息框(Infobox)和模板(Template)等內(nèi)容作為額外特征。Dakka 和 Cucerzan[8]則將條目中的詞匯、結(jié)構(gòu)化信息(如表格)、摘要等內(nèi)容作為特征進(jìn)行組合，來獲得最好的分類效果。在Tardif和Dakka的實驗中，都對比了使用SVM分類器和樸素貝葉斯分類器的實驗結(jié)果，他們的實驗結(jié)果都表明SVM的分類性能更好。

上述工作都是針對英文維基百科上的實體識別和分類，目前還沒有中文維基百科上的實體分類工作。雖然和英文維基百科相比，中文維基百科的容量要小得多，但它對中文自然語言處理的潛力還沒有被充分挖掘出來，相關(guān)的工作也比較少[9-10]。因此，對中文維基百科的條目進(jìn)行實體識別和分類具有一定的研究價值。本文在傳統(tǒng)特征的基礎(chǔ)上，提出了一系列針對中文特點的有效特征，使用SVM分類器進(jìn)行中文維基百科的實體分類，取得了較好的結(jié)果。

3 維基百科頁面格式

維基百科中每個條目都是對一個概念或?qū)嶓w的描述，條目的內(nèi)容由網(wǎng)絡(luò)志愿者協(xié)作編撰，任何使用互聯(lián)網(wǎng)的用戶都可以編寫和修改維基百科條目的文章內(nèi)容。在編寫過程中，用戶須遵循維基百科的格式要求。圖1為一個典型的維基百科頁面格式，它具有豐富的半結(jié)構(gòu)化信息和非結(jié)構(gòu)化文本，其主要內(nèi)容有:

圖1 維基百科頁面格式

1. 信息框(Infobox): 信息框模板是一個總結(jié)性的提綱列表，總結(jié)了與條目相關(guān)的主題，亦或包含圖像、地圖等信息。信息框中內(nèi)容的格式為標(biāo)簽(label)與數(shù)據(jù)(data)，例如“馬云”這個人物條目的信息框中有“出生 1964年9月10日”、“國籍 中華人民共和國”、“母校 杭州師范大學(xué)”、“職業(yè) 阿里巴巴集團(tuán)董事局主席”等與主題相關(guān)的信息。

2. 頁面分類(Category): 頁面分類中列出了條目所屬的類別，以及突出條目事物特征或是主題的相關(guān)類別。一個條目可以被分類到多個類別下，需要注意的是，該分類體系并非嚴(yán)格的層次體系，具有一定的隨意性。例如,“馬云”這個條目的分類有“1964年出生”、“在世人物”、“中國企業(yè)家”、“杭州人”、“阿里巴巴集團(tuán)”等。

3. 摘要(Abstract): 摘要是指某個維基百科條目文章的第一段，其內(nèi)容以簡明扼要的文句給出該條目的主要信息內(nèi)容。摘要中的第一句，往往會有類似“……是……”或“……為……”等句式，我們把這樣的句子稱為顯式定義句，也會有不出現(xiàn)“是”或“為”的隱式定義句。定義句中的中心詞，很有可能反映出條目所屬的類別。例如,“馬云”這個條目的定義句為“馬云(英文名: Jack Ma，1964年9月10日-)中華人民共和國企業(yè)家”，其中心詞為“企業(yè)家”，可以推斷出，該條目的類別是人物。

4 基于SVM的實體分類

與傳統(tǒng)機(jī)器學(xué)習(xí)的分類方法類似，本文將人工標(biāo)注類別的維基百科條目分為訓(xùn)練集和測試集，從中提取各種特征，利用詞包模型，構(gòu)造相應(yīng)的特征向量，然后使用SVM分類器從訓(xùn)練集的特征向量中學(xué)習(xí)得到分類模型，最后將該分類模型應(yīng)用到測試集的特征向量上，預(yù)測條目的實體類別，并計算分類方法的性能。基于機(jī)器學(xué)習(xí)方法的關(guān)鍵在于找出有效的特征來表示維基百科中的條目，本文除了使用維基百科頁面中獲取的基本特征之外，還使用了一些擴(kuò)展特征和語義特征來幫助提高中文維基百科的實體分類性能，詳見表1。

表1 維基百科中的實體分類特征

續(xù)表

4.1 基本特征

本文使用了以下三個類別的基本特征，即信息框、分類框和摘要中的相關(guān)內(nèi)容，具體如下。

1. InfoboxTitle: 信息框中的內(nèi)容對于實體類型具有很好的識別作用。信息框中的信息形式為“標(biāo)簽 數(shù)據(jù)”，我們提取其中的標(biāo)簽的內(nèi)容作為一個特征，而不提取數(shù)據(jù)本身。例如,對于“國籍 中華人民共和國”，取“國籍”作為特征，因為不同的人物，對應(yīng)的國籍是不同的，而“國籍”這個標(biāo)簽是共同擁有的。例如，對于“馬云”這個條目，從其信息框中提取到的特征詞為分別為“出生”、“國籍”、“母?！?、“職業(yè)”、“凈資產(chǎn)”、“配偶”和“子女”，這些特征詞基本都是人物的相關(guān)信息。

2. CategoryHead: 分類框中的信息對實體分類同樣具有明顯的識別作用。對于每一個類別，通過分詞處理后，取其中心詞(即最右邊一個詞)作為特征。例如，“1964年出生”，通過分詞取得中心詞“出生”作為一個特征。因此，“馬云”這個條目的分類框中得到的特征詞分別為“出生”、“人物”、“企業(yè)家”、“億萬富豪”、“領(lǐng)袖”、“校友”、“教師”、“人”、“姓”、“人士”、“博士”和“集團(tuán)”等。

3. AbstractHead: 除了上述半結(jié)構(gòu)化信息外，在維基百科的文章中的第一段(即該條目的摘要)也可起到一定的補充作用。對于摘要的處理，我們?nèi)∑涞谝痪洌ㄟ^分詞和詞性標(biāo)注，找出第一句的中心詞(最右邊的名詞)作為特征。特別地，當(dāng)?shù)谝痪涞木涫浇Y(jié)構(gòu)為“……是……”或“……為……”時，更能通過正則匹配輕松獲得該句中心詞。例如，從“馬云”這個條目的摘要中提取到的特征為“企業(yè)家”。

4.2 擴(kuò)展特征

為了更好地對某些類別(特別是人名、地名、組織名等)的實體進(jìn)行識別，我們加入了下面有關(guān)條目標(biāo)題的擴(kuò)展特征。前兩個特征是用來幫助提高人物類別的分類性能，而后兩個特征對所有實體類別均有效。

1. IsChineseName: 加入了中文百家姓姓氏列表，將條目名的第一個或前兩個字是否屬于姓氏并且條目標(biāo)題長度在2到4個字符為一個二元特征。

2. TitleContainsPeriod: 標(biāo)題是否含有分隔符號。維基百科的外國人名的條目，標(biāo)題中會使用 “? ”分隔外文姓氏和名字，因此將標(biāo)題中是否含有分隔符作為一個二元特征。

以上兩個特征的加入，用來幫助提高Person類別的分類性能。

3. TitleLastChar: 考慮到某些命名實體在名稱上的特殊性，例如，地名中“XX省”、“XX市”、“XX縣”，機(jī)構(gòu)名中“XX局”、“XX部”，最后一個字有極高的規(guī)律性。因此通過加入條目標(biāo)題的最后一個字和詞作為兩個特征，來幫助提高ORG、GPE等實體類別的分類性能。

4. TitleLastWord: 某些實體名如“XX協(xié)會”、“XX大學(xué)”，“XX山脈”等，最后一個詞具有很強的規(guī)律性，因此通過加入標(biāo)題的最后一個詞作為特征，來幫助這類實體的分類。

4.3 語義特征

由于維基百科由網(wǎng)民以共享合作方式撰寫，因此對于同一個或者類似的含義，可能會用不同的詞進(jìn)行表達(dá)，例如，“警察”、“警務(wù)人員”、“警官”都表達(dá)類似的含義，都指向人物這個類別，導(dǎo)致了特征詞稀疏問題。因此，有必要在基本特征中對表達(dá)類似概念的詞匯進(jìn)行泛化，方法是引入了同義詞詞林，將特征詞匯的語義代碼作為一個特征加入到系統(tǒng)中。

《同義詞詞林》[11]是一部漢語分類詞典，其中每一條詞語都用一個編碼來表示其語義類別。本文所用的《詞林》為《詞林(擴(kuò)展版)》，是哈工大信息檢索研究室在《同義詞詞林》的基礎(chǔ)上研制的。最終的詞表包含77 492條詞語，共分為12個大類，94個中類，1 428個小類，小類下再以同義原則劃分詞群，最細(xì)的級別為原子詞群。不同級別的分類結(jié)果可以為自然語言處理提供不同顆粒度的語義類別信息，本文選取詞林語義代碼的第二級和第三級(即語義代碼的前2和前4位)進(jìn)行實驗。

5 實驗

5.1 數(shù)據(jù)來源

實驗中所使用的維基百科數(shù)據(jù)來自于維基百科網(wǎng)站上下載的2014年8月4日中文離線數(shù)據(jù)包。首先需要將原有數(shù)據(jù)包文件中的XML標(biāo)記去除，保留所需要的文本內(nèi)容。由于維基百科的內(nèi)容中混合了繁體和簡體中文，為了便于后期處理，需要將所有中文統(tǒng)一轉(zhuǎn)化為簡體，最后從中提取出每個條目的標(biāo)題、信息框、分類框和摘要等相關(guān)信息。其中，對摘要的首句使用進(jìn)行分詞和詞性標(biāo)注。

我們從所有條目中隨機(jī)取出8 000個條目作為實驗數(shù)據(jù)，通過規(guī)則匹配去除消歧頁面和列表頁面后，剩下7 612個條目，然后根據(jù)ACE的中文命名實體的分類體系對條目進(jìn)行類別的標(biāo)注。

實驗所使用的實體分類體系，是在ACE定義的中文命名實體分類基礎(chǔ)上，結(jié)合Sekine的擴(kuò)展命名實體分類體系[12]，考慮到實際信息抽取的需要進(jìn)行設(shè)置的。其中，PER、ORG、GPE、LOC和FAC等為ACE定義的五大類實體，其余九類為擴(kuò)展類別。如非特別指出，下列實驗中的實體分類是指五類ACE實體，其余都為非實體；而擴(kuò)展實體分類時，14類為實體類別，其余為非實體。

5.2 實驗設(shè)置

所有實驗都按照五折交叉驗證方式進(jìn)行，即實驗數(shù)據(jù)被隨機(jī)分成大小相同的五份，訓(xùn)練集和測試集的比例為4∶1，使用的分類工具為LibSVM，且SVM的訓(xùn)練參數(shù)均采用默認(rèn)值。實體分類結(jié)果分別使用準(zhǔn)確率(P)、召回率(R)和調(diào)和平均值(F1)進(jìn)行評估，最后取五次實驗的平均值作為最終結(jié)果。

5.3 實驗結(jié)果

5.3.1 各個特征對分類性能的影響

為了考察各個特征對分類性能的影響，本文分別進(jìn)行了加入和分離實驗，前者以信息框和分類框特征為基準(zhǔn)系統(tǒng)，然后單獨加入每個特征，比較它和基準(zhǔn)系統(tǒng)之間的性能差異；而后者是以所有特征為基準(zhǔn)系統(tǒng)，然后分離出單個特征，比較它和基準(zhǔn)系統(tǒng)之間的性能差異。實驗結(jié)果如表2所示，其中性能差異用P/R/F1的變化值來表示，每一列中性能變化的最大值用粗體表示，加入實驗的正值表示該特征是有益的，而分離實驗的負(fù)值表示該特征是有效的。為便于參考，表格的第1行列出了兩個基準(zhǔn)系統(tǒng)的P/R/F1性能。

從表2可以看出，各個特征加入實驗時的性能貢獻(xiàn)比分離實驗時的性能貢獻(xiàn)要大得多，這是由于特征之間往往存在著冗余性， 單獨使用時性能提升很明顯，而同時使用則效果不顯著，此外:

表2 加入和分離實驗中不同特征的性能影響

1. 貢獻(xiàn)最大的特征是TitleLastChar，無論是加入還是分離，都對準(zhǔn)確率和召回率有明顯的影響，這主要是由于條目標(biāo)題的最后一個字對不同類別具有很高的區(qū)分性，特別是對于GPE類，如“XX省”,“XX市”等，標(biāo)題最后一個字具有很強的區(qū)分性。同樣TitleLastWord特征的貢獻(xiàn)也很穩(wěn)定，雖然沒有TitleLastChar特征那么大；

2. 特征AbstractHead在加入實驗中的作用很明顯，但在分離實驗中的變化要小得多，這可能是由于該特征本身很有用，但它和其他特征之間具有一定的冗余性；

3. 兩個人名特征的效果并未達(dá)到預(yù)期值。特征IsChineseName的加入提高了準(zhǔn)確率，但同時召回率也明顯降低。這是由于不少GPE條目的首字母也是中文姓氏，與部分人名產(chǎn)生混淆。不過，雖然它在加入實驗時降低總體性能，但在分離實驗時卻表現(xiàn)出對總體性能略有幫助。同樣，特征TitleContainsPeriod對分類性能也有提高。

4. 兩個語義特征的表現(xiàn)不一致。特征CategoryHeadTyccl的貢獻(xiàn)比較穩(wěn)定，無論是加入還是分離實驗，都表現(xiàn)出對提高性能的有效性。而特征AbstractHeadTyccl的表現(xiàn)就不一致，盡管在加入實驗中提高了總體性能，但在分離實驗中刪去該特征反而提高了總體性能，可以認(rèn)為該特征過于泛化。

5.3.2 不同類別的性能比較

根據(jù)上述分離實驗中各特征的性能表現(xiàn)，最后確定使用除AbstractHeadTyccl以外所有的其他特征，得到最好的分類性能如表3所示。

從表3可以看到，系統(tǒng)最終取得的分類性能還是較高的，平均F1值超過了96%。其中，性能最高的兩個類別為PER和GPE，這是由于這兩種類型的實例數(shù)較多且其條目的特征有較高的一致性， 因此在SVM中得以比較好的訓(xùn)練；而性能相對較低的三類為ORG、LOC和FAC等，F(xiàn)1值分別約為91%、94%和93%，且是召回率明顯低于準(zhǔn)確度，這是因為這三個類別的條目種類形態(tài)較多而樣例又較少，無法得到充分的訓(xùn)練，另外這三個類別下，很多沒召回的條目往往是Category和Abstract中能提取的特征較少或是有噪聲，而標(biāo)題中提取的特征詞又很稀疏，最后由于沒有提取到有效特征導(dǎo)致無法召回，例如，條目“日本郵政公社”，其摘要和Category中獲取到的特征詞分別為“體”和“郵政”、“事業(yè)”，而標(biāo)題尾詞“公社”在訓(xùn)練樣例中又屬于稀疏的詞，導(dǎo)致其無法召回為ORG。

表3 不同類別的分類性能

5.3.3 擴(kuò)展實體類別的分類性能

表4列出了在14個擴(kuò)展實體類別上的分類性能(使用的特征集與表3相同)和每個類別的實體數(shù)量及所占比例，表中除ACE實體類別外最高的P/R/F1性能用粗體標(biāo)出。

表4 擴(kuò)展類別上的分類性能

從表4可以看出，擴(kuò)展至14個實體類別后的P/R/F1平均值為96.63%/94.31%/95.45%，與五個實體大類的分類性能相比雖有降低，但幅度較小，這主要是由于非ACE的實體類別數(shù)量較少，占總數(shù)比例小于四分之一。對非ACE的九個實體類別，各個類別的F1值和其條目的數(shù)量，大致上呈現(xiàn)一個線性關(guān)系。即由于訓(xùn)練樣例太少，從而導(dǎo)致特征稀疏，召回率下降，因此分類性能不盡理想，進(jìn)一步分析發(fā)現(xiàn):

1. Work of Art、Animal和Flora三個類別與ACE中的ORG實例數(shù)量接近，其中Work of Art的性能和ORG相當(dāng)，因為Work of Art中包括了電影、音樂、書籍等多種藝術(shù)形式，因此特征較為多樣化，而相比之下實例數(shù)較少，因此無法對特征進(jìn)行很好的學(xué)習(xí)，導(dǎo)致召回率較低。Animal和Flora兩類的性能相比ORG明顯高，因為動物和植物的實例在特征上較為一致，都包含“屬”、“種”、“動物”、“植物”等特征詞，但由于這兩類的特征很相似，因此錯分的實例主要集中在這兩類之間互相分錯。

2. Game和Disease這兩個類別盡管數(shù)量不多(前者不到40，后者略大于10)，但F1性能都在85%以上，這是由于它們的特征雖然數(shù)量少但較為一致。例如，Game類實體中均含有“游戲”“開發(fā)商”“平臺”等特征詞；而Disease類的Category中都有“疾病”這個特征詞。

5.3.4 與英文維基的實體分類性能比較

為了考察不同語言之間維基實體分類的難度，本文比較了中英文維基實體的分類性能。英文維基的實體分類中比較典型的是Tkatchenko等[13]的研究工作。他們總共劃分了18個實體類別，本文共劃分14個實體類別，兩者共有的類別共有9個，因此本文選取了中英文共有且實例數(shù)量較多的類別進(jìn)行比較，結(jié)果如表5所示。

表5 中文和英文維基實體分類性能的比較

①由于本文的使用的實體分類體系和Tkatchenko論文的分類體系有所不同,Tkatchenko論文中ASTRAL_BODY和GEO_REGION兩個類別為本文類別LOC的兩個子類,故在對比時,將本文LOC的性能與其兩類的性能作比較。

需要指出的是，兩者所使用的分類體系和數(shù)據(jù)集不一樣(英文中使用18個類別，5 294個條目，本文使用14個類別，7 612個條目)，不過，我們還是可以看出，英文維基百科的擴(kuò)展實體分類性能整體上都優(yōu)于中文。在PER和GPE兩個類別上，中英文的性能旗鼓相當(dāng)；而在其他類別上，兩者之間的分類性能還有相當(dāng)差距?？赡艿脑蚴侵形牡腜ER在Category上的特征一致性較高，GPE在標(biāo)題特征上一致性較高，另外這兩類的訓(xùn)練樣例數(shù)量相對較多，因此得到了比較理想的分類性能，而相比之下，中文的ORG、LOC和FAC，樣例的形態(tài)較為多樣，另外訓(xùn)練樣例又較少，導(dǎo)致部分特征較為稀疏。

由于中文和英文在形態(tài)和語法上的區(qū)別，使得在英文中使用的很好的特征和規(guī)則，在中文上未必有效。例如，在Bunescu 和Pasca的論文中使用的首字母大寫這一規(guī)則來判斷某個條目是否屬于實體就無法在中文中使用；在Tkatchenko的論文中，在對實體分類前，通過使用一系列規(guī)則對實體與非實體進(jìn)行二元分類，精度和召回率都達(dá)到了95%。另外由于受到中文分詞技術(shù)的限制，在提取Category和Abstract中心詞時會出現(xiàn)一些錯誤和偏差，導(dǎo)致噪聲的引入，影響分類性能，而在英文中，就不存在這樣的分詞問題。

此外，英文維基百科的發(fā)展比中文維基百科的發(fā)展更好，其在內(nèi)容的正確性和完整性上都優(yōu)于中文維基百科。我們觀察到，未能召回的中文條目，很大一部分條目的頁面內(nèi)容十分少，并缺乏相應(yīng)的Category和Infobox等半結(jié)構(gòu)化信息，導(dǎo)致無法提取到這些條目的有效特征，從而無法對這一部分條目進(jìn)行正確分類。

5.4 錯誤分析

為了進(jìn)一步了解產(chǎn)生分類錯誤的原因，本文隨機(jī)選取了100個錯分的維基條目進(jìn)行分析，發(fā)現(xiàn)分類錯誤原因主要有以下幾個類別:

1. 分類框信息不規(guī)范。維基條目的分類框內(nèi)容并非完全都是條目所屬的嚴(yán)格意義上的某個類別，還包括與條目相關(guān)的類別。例如，條目“世界新聞自由日”的分類框中有“聯(lián)合國教科文組織”，得到特征詞“組織”，此特征導(dǎo)致條目被錯分為ORG。這部分錯誤占總數(shù)的44%；

2. 標(biāo)題名稱的不確定性。某些類別的條目標(biāo)題和其他類別的條目標(biāo)題特征相似，從而產(chǎn)生誤導(dǎo)。例如，條目“赫爾曼·凱斯滕獎”和“曹洞宗”被錯分為PER類別，但實際上它們只是含有PER類別的某些特征。這類錯誤占總數(shù)的30%。

3. 類屬條目和實體條目的相似性。所謂類屬條目是對某一實體類別的描述，因而在特征上與實體條目相似。例如，條目“皇上”、“動作片演員”這類稱謂、職業(yè)類條目易被錯分為PER類別。這類錯誤占總數(shù)的13%；

4. 其他較為個別或者無法明確歸類的錯誤，約占總數(shù)的13%。例如，語言中存在著一詞多義現(xiàn)象，因此多義詞作為一個統(tǒng)一的特征時，容易引起錯誤。例如，“組織”這個詞，可能屬于“機(jī)構(gòu)”這個概念，也可能屬于“生物體”的概念。

6 結(jié)論

本文利用維基百科條目中的半結(jié)構(gòu)化信息作為特征，并根據(jù)中文實體的特點加入擴(kuò)展特征和語義特征，從而對中文維基百科條目進(jìn)行實體分類。實驗表明，這些特征可以有效提高維基實體分類的性能。其中對于ACE實體類別的分類性能F1值超過96%，達(dá)到了實用價值；而對于擴(kuò)展實體類別，則還需要通過標(biāo)注更多的實例來提高實例數(shù)較少的類別的分類性能。

目前的方法都是基于詞匯層面，還未考慮到句法和語義層面，因此今后的工作一方面可考慮挖掘句法和語義特征，以進(jìn)一步提高分類性能；另一方面，可利用該分類模型對所有的維基百科條目進(jìn)行實體分類，并將這些識別出的命名實體應(yīng)用到自然語言處理的其他任務(wù)中。

[1] Nothman J, Curran J R, Murphy T. Transforming Wikipedia into named entity training data[C]//Proceedings of the Australian Language Technology Workshop. 2008: 124-132.

[2] Nothman J. Learning named entity recognition from Wikipedia[D]. The University of Sydney Australia 7, 2008.

[3] Bunescu R C, Pasca M. Using Encyclopedic Knowledge for Named entity Disambiguation[C]//Proceedings of the EACL. 2006, 6: 9-16.

[4] Zirn C, Nastase V, Strube M. Distinguishing between instances and classes in the wikipedia taxonomy[M]. Springer Berlin Heidelberg, 2008.

[5] Toral A, Munoz R. A proposal to automatically build and maintain gazetteers for Named Entity Recognition by using Wikipedia[J]. NEW TEXT Wikis and blogs and other dynamic text sources, 2006, 56.

[6] Bhole A, Fortuna B, Grobelnik M, et al. Extracting named entities and relating them over time based on wikipedia[J]. Informatica (Slovenia), 2007, 31(4): 463-468.

[7] Tardif S, Curran J R, Murphy T. Improved text categorisation for Wikipedia named entities[C]//Proceedings of the Australasian Language Technology Association Workshop 2009. 2009: 104.

[8] Dakka W, Cucerzan S. Augmenting Wikipedia withNamed Entity Tags[C]//Proceedings of the IJCNLP. 2008: 545-552.

[9] 諶志群, 高飛, 曾智軍. 基于中文維基百科的詞語相關(guān)度計算[J]. 情報學(xué)報, 2013, 31(12): 1265-1270.

[10] 張葦如, 孫樂, 韓先培. 基于維基百科和模式聚類的實體關(guān)系抽取方法[J]. 中文信息學(xué)報, 2012, 26(2): 75-81.

[11] 梅家駒. 同義詞詞林[M]. 上海： 上海辭書出版社, 1983.

[12] Sekine S, Sudo K, Nobata C. Extended Named Entity Hierarchy[C]//Proceedings of the LREC. 2002.

[13] Tkatchenko M, Ulanov A, Simanovsky A. Classifying Wikipedia entities into fine-grained classes[C]//Proceedings of the Data Engineering Workshops (ICDEW), 2011 IEEE 27th International Conference on. IEEE, 2011: 212-217.

Classifying Named Entities on Chinese Wikipedia

XU Zhihao1,2，HUI Haotian1,2，QIAN Longhua1,2，ZHU Qiaoming1,2

(1.Natural Language Processing Lab of Soochow University，Suzhou，Jiangsu 215006，China；2. School of Computer Science & Technology，Soochow University，Suzhou，Jiangsu 215006，China)

Classifying Wikipedia Entities is of great significance to NLP and machine learning. This paper presents a machine learning based method to classify the Chinese Wikipedia articles. Besides using semi-structured data and non-structured text as basic features, we also extend to use Chinese-oriented features and semantic features in order to improve the classification performance. The experimental results on a manually tagged corpus show that the additional features significantly boost the entity classification performance with the overall F1-measure as high as 96% on the ACE entity type hierarchy and 95% on the extended entity type hierarchy.

Wikipedia; named entities classification; semi-structured data; Infobox

徐志浩(1991—),通信作者,碩士研究生,主要研究領(lǐng)域為信息抽取。E-mail:20134227020@stu.suda.edu.cn惠浩添(1991—),碩士研究生,主要研究領(lǐng)域為信息抽取。E-mail:20134227019@stu.suda.edu.cn錢龍華(1966—),副教授,碩士生導(dǎo)師,主要研究領(lǐng)域為自然語言處理。E-mail:qianlonghua@suda.edu.cn

1003-0077(2015)05-0091-07

2015-07-08 定稿日期： 2015-09-08

國家自然科學(xué)基金(61373096，90920004)，江蘇省高校自然科學(xué)研究重大項目(11KJA520003)

TP391

A