(精品论文)汉语股市公告信息抽取系统的设计与实现(论文)

汉语股市公告信息抽取系统的设计与实现汉语股市公告信息抽取系统的设计与实现 摘要 本文介绍了一个基于中文信息抽取模型的股市公告信息抽取系统（SBIES）的设计与实 现。介绍了该系统的结构框架和分布图。讨论了汉语信息抽取模型的具体结构，构建了由 自动分词、自动标注和模板填充三个阶段组成的简化模型。简单介绍了自动分词的常用算 法和自动标注中的标注规范。重点探讨了模板填充的具体算法。文中分别讨论了采用基于 规则的结构主义方法和基于语料库概率统计的功能主义方法。着重讨论了采用隐马尔科夫 模型进行信息抽取的具体算法。对模型的参数获取算法作了讨论，改进了 Baum-Welch 算法 以适应信息抽取的应用。对领域文本做了人工标注，通过计算机处理获取所需的统计数据。 利用统计数据完善 HMM 模型。 关键词：信息抽取，隐马尔科夫模型，自然语言 THETHE DESIGNDESIGN ANDAND IMPLEMENTATIONIMPLEMENTATION OFOF CHINESECHINESE STOCKSTOCK BULLETINBULLETIN INFORMATIONINFORMATION EXTRACTIONEXTRACTION SYSTEMSYSTEM AbstractAbstract This article introduced the design and implementation of a Chinese IE Technology based stock bulletin information extraction system (SBIES). The framework and deployment of the system were described. The structure of the Chinese information extraction model was discussed in detail. We proposed a simplified 3 tiers IE model consisting of automatic word segmentation, automatic annotation, and template filling. The algorithms used in automatic word segmentation and annotation were briefly introduced while algorithms used in template filling were focused on. In this article, the rule-based structuralism methods and the corpus-based statistical functionalism methods were discussed respectively. The Hidden Markov Model (HMM) was introduced to extract information and the algorithm was explained at length. The algorithm for model parameter acquisition was also analyzed and the Baum-Welch iteration algorithm was modified. Domain texts were annotated manually to acquire statistical data via computation. With these data, HMM-based IE was implemented. KEYKEY WORDSWORDS: information extraction, hidden Markov model, natural language 目录 1 1概述概述1 1 1.1信息抽取技术（INFORMATION EXTRACTION） .1 1.1.1信息抽取技术的发展1 1.1.2信息抽取技术的特点3 1.2股市公告信息抽取系统（SBIES）.3 1.2.1应用背景3 1.2.2系统框架结构4 1.2.3系统分布结构5 1.3本文内容简介5 2 2信息抽取模块的设计信息抽取模块的设计7 7 2.1模块内部结构7 2.1.1串行化的模块内部结构及其问题7 2.1.2简化的高性能信息抽取模型8 2.2自动分词9 2.3词类自动标注.10 3 3信息抽取的关键算法信息抽取的关键算法1313 3.1传统语言学方法.13 3.1.1基于规则的信息抽取算法.13 3.1.2基于规则信息抽取面临的严峻问题.15 3.2统计学方法.16 3.2.1基于语料库的统计语言学方法.16 3.2.2隐马尔科夫模型（HMM）简介16 3.2.3隐马尔科夫模型（HMM）在信息抽取上的应用17 3.2.4隐马尔科夫模型的训练与优化问题.19 4 4实现与结果分析实现与结果分析2020 4.1模块实现情况.20 4.2两种信息抽取方法的比较.21 4.3结果总结.21 4.4遗留的问题.22 参考文献参考文献2323 致谢致谢2424 1 1 1概述概述 1.1 信息抽取技术（Information Extraction） 信息技术高速发展的时代中，信息的获取、处理和应用已经成为了经济、科学、军事、文化等各个领域发 展的关键活动。而其中，信息的获取是三个步骤的开端，在信息技术领域中具有尤其重要的地位。 近年来，随着计算机和互联网技术的迅猛发展，各领域可及信息量呈指数级增长。如 何高效获取有用信息成为有效利用信息的关键。信息抽取（Information Extraction，简 称 IE）技术，是自然语言处理领域中一种新兴的技术。该技术通过抽取、过滤无关信息， 使文本信息以用户关心的形式得以再组织，实现高效重组。将结构松散的自然语言信息， 通过抽取转为结构严谨、语义明确的表现形式，利用计算机进行高效存储并加以利用。 1.1.1 1.1.1 信息抽取技术的发展信息抽取技术的发展 信息抽取技术的雏形最早出现在二十年前。下面介绍一些信息信息抽取技术的雏形最早出现在二十年前。下面介绍一些信息 抽取发展上重要的研究成果以及国内外的研究现状抽取发展上重要的研究成果以及国内外的研究现状7 7。 。 ATRANS 系统 ATRANS 系统是早在 1981 年由 Cowie 研究出来关于动植物正规结构描述数据库的系统 及其商用化产品。该系统采用了概念句子分析技术，通过一些简单的语言处理技术能 够完成限制在小规模，特定专业领域的信息抽取任务。 FRUMP 系统 FRUMP 系统由 Gerald Dejong 在 80 年代初实现。该系统把有限新闻网络作为数据源， 使用一些新闻故事的简单脚本来对有限新闻网络进行监控。它采用关键字检索、概念 句子分析、脚本匹配等方法来寻找新闻故事。FRUMP 系统是一个面向语义的系统，采 用了一个特定专业领域的事件描述脚本知识库。 SCISOR 系统 80 年代末，美国 GE 研究与开发中心的 Lisa F.Rau 等研制的 SCISOR（System for Conceptual Information，Organization and Retrieval）系统所处理的对象是有关“ 公司合并“的新闻报导。SCISOR 首先采用关键词过滤和模式匹配的方法对待处理文献 进行主题分析，以便判定该报道的内容是否与“公司合并“有关；然后采用自底向上的 分析器识别句子结构，生成概念表示；最后应用自顶向下的预期驱动分析器提取预期 内容。 MUC（Message Understanding Conference）是一个 ARPA 资助的、为推动 IE 技术发展 的一个重要的系列工程。有许多大学、研究所参加。1987 年的 MUC-1 和 1989 年的 MUC-2 主要集中在从小规模的海军信息文本中抽取相关的信息。1991 年的 MUC-3 和 1992 年的 MUC-4 采用的文本主题和类型发生了变化，采用关于拉丁美洲国家恐怖事件 通用主题的报纸和有线新闻文本作为语料源，系统包括预定义好的信息模板和辅助抽 取规则，基本任务是从在线文本中抽取有关信息填入预定义的模板中的属性槽中。 1993 年的 MUC-5 的文本主题是关于合资企业的商业新闻以及微电子芯片的制作方面的 新闻，涉及英语和日语文档。所抽取的信息包括合资企业的合资者、合资公司的名称、 所有权和资本以及预期的活动，或者微电子芯片的制作活动的性质和状态等有关项。 涉及到多语言和多领域的文档，以便进行抽取信息的性能评价比较。1995 年的 MUC-6 2 的信息抽取任务第一次涉及到用 SGML 语言所标记的文本中的名称项（named entity） 和指同项（coreference）的处理。除了场景模板（scenario）任务以外，名称项、指 同项和模板元素（template element）信息抽取任务均与特定专业领域无关。测试的 语料采用“华尔街杂志“中的文本。1998 年的 MUC-7 是最近的一次信息理解会议。它的 信息抽取任务涉及抽取文档中的名称项（人名、组织名和地点名） ；指同项；确定模板 元素之间的关系，如地点关系、雇佣关系和生产关系等；抽取文档中的事件。文档包 含多语种的新闻稿。训练用的文档专业领域是关于飞机坠毁报道，而测试用的文档专 业领域是关于发射事件报道。 FASTUS 系统 FASTUS 系统（Finite State Automaton Text Understanding System）是美国加里福 尼亚斯坦福研究所人工智能中心从 1991 年开始开发的一个基于多层、非确定有限状态 自动机模型的自然语言文本信息抽取系统。它共有六层转换机制，即：切分标记层、 预处理层、名称项识别层、简单短语识别层、复杂短语识别层、指同求解层。分解的 语言处理使此系统能够处理大量的与专业领域无关的句法结构，以致于与专业领域相 关的语义和语用处理能被应用到相当大部分的语言结构上。正因为 FASTUS 系统具有这 样的特点，它已被成功地运用于许多应用中。 TIPSTER 计划 由美国国防部(DoD)、Defense Advanced Research Projects Agency（DARPA）和 Central Intelligence Agency (CIA)共同资助的 TIPSTER 计划包括至少 15 个与工业 和学术有关的项目。目的是改进文本处理的流行技术。TIPSTER 的体系结构使用一组 通用的文本处理模块已能满足不同的文本处理应用的需要。这些应用主要是文本检测 （定位包含某一信息类型的文本）和信息抽取（定位文本中的特定信息） 。在 TIPSTER 研究的第一阶段，参与者通过一些活动如 MUC 和 TREC（Text Retrieval Conferences）对文本检测和信息抽取所建立算法进行改进以及提高对评价这些改进的 技术。在第二阶段的研究中，TIPSTER 参与者为了使技术组成构件标准化，将注意力 转向软件体系结构的开发上。使各种所开发的工具具有“即插即用“的性能，增加软件 的共享程度。在目前进行的第三阶段的研究中，一种称为 ACP（Architecture Capabilities Platform）的平台被开发，它支持评价、扩展和探索进展中的 TIPSTER 体系结构。ACP 将采用 CORBA（Common Object Request Broker Architecture）结构 为研究者提供鲁棒及相配的 TIPSTER 组成构件。它将支持 TIPSTER 体系结构的扩展， 以便与机器翻译、语音和光学字符识别、图象观察、用户界面构件以及大规模信息系 统相适应。 SMES 系统 由德国人工智能研究中心语言技术实验室（DFKI-LT）在 Paradime 项目中所开发的 SMES（Saarbrcken Information Extraction System）系统是一个联机的德语文挡信 息抽取智能系统。文档的专业领域包括通讯稿、经济报告和技术说明书。SMES 系统拥 有大量的语言知识资源（如电子词典包括 12 万条词项以及可扩展性很强的专门语法） 以及极其快速和鲁棒的自然语言构件。它还能利用机器学习机制使自身能为实现新功 能得到训练和配置，并能适应所需的信息数量和各种文档长度。它被集成了图形可视 化技术、服务器体系结构和英特网访问技术。SMES 作为一个有效的智能信息检索的核 心系统已经成功地运用于科学和工业项目中。 国内对信息抽取的研究才刚刚起步。1998 年月在东北大学学报（自然科学版）发表 了中文信息自动抽取一文，介绍了中文信息抽取的概念和对一些问题进行了初步的探 索。国内对涉及中文和其他语种的多语种信息抽取技术还未见报道。 3 1.1.2 1.1.2 信息抽取技术的特点信息抽取技术的特点 信息抽取技术不同于传统的信息检索和自动摘要技术。 与信息检索（Information Retrieval，简称 IR）技术的区别 与传统的信息检索技术比较，信息抽取技术有明显的优势：信息检索只是通过单纯的 匹配检索得到相关的文档，而并不真正理会文档的实际内容信息，文档被等同于无意 义的词汇堆砌物；而信息抽取则是通过文本分析、语段分析、模板生成等过程抽取出 有效的信息内容。 与自动摘要（Automatic Abstraction）技术的区别 与传统的自动文摘（Automatic Abstraction）技术比较，信息抽取技术的应用前景更 好：自动文摘产生的文摘往往质量较低，而且容易产生不全面、不连贯和冗余多等等 问题；而信息抽取则针对有价值的相关领域的文本进行结构分析，其效率和质量显著 提高，也更容易面向实际应用。 信息抽取技术具有其独有的优势。利用浅层的自然语言处理技信息抽取技术具有其独有的优势。利用浅层的自然语言处理技 术（术（ShallowShallow NaturalNatural LanguageLanguage ProcessingProcessing TechnologyTechnology，简称，简称 SNLPTSNLPT） ，可以实现高效率的自然语言处理；将非结构化的信息改变，可以实现高效率的自然语言处理；将非结构化的信息改变 为利于计算机存储、处理的结构化形式，有利于信息的重复高效利为利于计算机存储、处理的结构化形式，有利于信息的重复高效利 用。用。 1.2 股市公告信息抽取系统（SBIES） 1.2.1 1.2.1 应用背景应用背景 随着我国改革开放的深入，市场经济的发展，证券市场的到了空前的繁荣。目前，在 沪深两地上市的公司数目已达几千家。每天在两地市场公布的股市公告少则几十条，多则 百余条，文本量较大。如果需要在若干年的公告纪录中，迅速查找各种相关的公告，如采 取传统的关键字查找技术，恐怕难以获取很高效率。 考虑到信息抽取技术能够有效地从大量文本中过滤出用户可能关心的信息，并进行结 构化存储以便迅速查询，希望基于信息抽取技术构造股市公告信息抽取系统（Stock Bulletin Information Extraction System，简称 SBIES） 。由于股市公告文本具有以下一 些特点，故认为采取信息抽取技术能够大幅度提高系统的性能表现。 句法简单。在一般股市公告中，通常以简单而表意清楚陈述句式为主。几乎不出现具 有二义性的语句。这为自然语言处理和信息抽取提供了较好的先决条件。 格式规整。常见的股市公告大致可以分为若干种，如：停牌公告、财务指数公告、董 事会决议公告、配送股公告、新股上市公告、等等。每一种公告都有相对固定的组成 要素，容易构造模板加以描述。 文本量大。仅以上海证券交易所为例，每天的临时性公告文本量平均约 20KB（以汉字 记约 1 万字） 。一年累计的公告文本约有 6MB（约 300 万汉字） 。对于计算机而言，这 个数量可谓及其微小，而对于人工阅读而言却是一个繁复而耗时的工作。 多语种特性。股票市场使金融的重要组成部分，而在全球金融一体化的今天，世界各 4 大证券市场之间的息息相关。而各国的证券市场在第一时间通常只能以一种或有限的 几种语言发布公告信息，这就给股市公告带来了天生的多语种特性。 设计一个股票文本的信息抽取系统具有较高的实用价值。股市公告的文本量庞大，但 结构固定、内容单一，这正适合于计算机处理。信息抽取技术能够自动的从庞大的文本库 中，动态地根据用户关心的内容提取文本蕴含的信息。同时，信息抽取能够采用独立于语 种的方式存储信息。这样，用户就不必关心原始文本的语种，可以用他（她）所熟悉的语 种进行抽取请求，并得到以他（她）希望语种表示的信息抽取结果。 1.2.2 1.2.2 系统框架结构系统框架结构 如上所述，该系统将基于信息抽取技术进行构建。但是为了实如上所述，该系统将基于信息抽取技术进行构建。但是为了实 现真正可用的应用系统，还需要其它一些模块的进行协同工作。图现真正可用的应用系统，还需要其它一些模块的进行协同工作。图 一种给出了本系统的基本框架结构。一种给出了本系统的基本框架结构。 图一：图一：SBIESSBIES 结构框架图结构框架图 图中，信息抽取模块是整个系统的核心所在，他将根据用户的图中，信息抽取模块是整个系统的核心所在，他将根据用户的 需求将原始文本经信息抽取后，以独立于语种的方式存入信息库中。需求将原始文本经信息抽取后，以独立于语种的方式存入信息库中。 对该模块的设计与实现，是本文的重点，将在后面进行详细论述。对该模块的设计与实现，是本文的重点，将在后面进行详细论述。 原始文本 采集 用户需求 分析模块 信息抽取模 块 独立于语种的信息 存储 自然语言 生成（汉 语） 自然语言生 成（英语） 自然语言生 成（） 控制 数据 系统结构图 用户 其它结果表 现形式 结果表示 5 用户需求分析模块，是能够收集用户需求，控制其它个模块进行协同工作的智能人机 界面。该模块是系统的控制中心，体现了以用户需求为核心的设计思想。该模块能为用户 提供一个智能化的易用界面。用户只需以自然语言形式输入询问的问题，该模块即可将询 问转化为一系列的内部指令，控制各模块针对询问做出响应。 结果表示模块，是将查询结果以用户易于理解的方式进行表示的模块。其中主要采用 了自然语言生成（Natural Language Generation，简称 NLG）技术。自然语言生成的主要 目标是研究计算机如何根据信息在机器内部的表达形式生成一段高质量的自然语言文本。 所谓高质量是指生成的文本与人工文本比较接近，形式多样，而且能适应外部应用的变化 而做相应的调整，整个系统的维护性好2。在本系统中，根据用户询问，从信息库中查询 获取的结果，对用户而言仍然是晦涩难懂的。因此需要一种较好的方式来将查询结果反馈 给用户。由于信息抽取技术的结果能够使信息以独立于语种的方式进行存储，如果结合相 应的不同语种的自然语言生成技术，即可使根据用户的要求，获得以各种语言表述的查询 结构。除了结合自然语言生成技术，以自然语言形式生成结果外，还可以用图表等形式输 出一些数据的统计结果，这也是表示模块的功能之一。 1.2.3 1.2.3 系统分布结构系统分布结构 图二给出了系统的整体分布图。 图二：SBIES 分布图 由图可见，本系统直接挂接在由图可见，本系统直接挂接在 InternetInternet 上，数据来源和用户界上，数据来源和用户界 面主要都通过面主要都通过 WebWeb 实现。由一个实现。由一个 RobotRobot 程序自动通过程序自动通过 WebWeb 进行股票进行股票 公告文本的自动搜集，搜集的文本经过预处理成为信息抽取模块能公告文本的自动搜集，搜集的文本经过预处理成为信息抽取模块能 Robot INTERNET 信息抽取 信息库 XML数据库 预处理 数据分析 (可选) 查询分析 查询界面结果表示 6 够接受的文本后，采用够接受的文本后，采用 IEIE 技术进行信息抽取，将结果存放入信息库技术进行信息抽取，将结果存放入信息库 中。如果必要，可以对信息库数据进行分析。用户通过中。如果必要，可以对信息库数据进行分析。用户通过 InternetInternet 访访 问该系统，查询的结果也通过问该系统，查询的结果也通过 InternetInternet 返回给用户。返回给用户。 1.3 本文内容简介 本文将详细论述股市公告信息抽取系统中，信息抽取模块的设本文将详细论述股市公告信息抽取系统中，信息抽取模块的设 计和实现。计和实现。 第一章，概述。简介信息抽取技术的历史和特点，与传统的第一章，概述。简介信息抽取技术的历史和特点，与传统的 NLPNLP 技术做了优缺点比较。提出技术做了优缺点比较。提出 SBIESSBIES 的应用背景，介绍整体结构框架的应用背景，介绍整体结构框架 和模块分布情况。和模块分布情况。 第二章，信息抽取模块的设计。提出第二章，信息抽取模块的设计。提出 SBIESSBIES 中信息抽取模块中信息抽取模块 （也就是本系统的核心模块）的具体结构。（也就是本系统的核心模块）的具体结构。 第三章，信息抽取的关键算法。这是本文的重点章节。具体探第三章，信息抽取的关键算法。这是本文的重点章节。具体探 讨了信息抽取模块中信息抽取的几种关键算法。比较了采用传统语讨了信息抽取模块中信息抽取的几种关键算法。比较了采用传统语 言学方法和统计学方法进行信息抽取的优缺点和适用情况。言学方法和统计学方法进行信息抽取的优缺点和适用情况。 第四章，实现与结果分析。将给出部分统计数据和结果总结。第四章，实现与结果分析。将给出部分统计数据和结果总结。 7 2 2信息抽取模块的设计信息抽取模块的设计 2.1 模块内部结构 2.1.1 2.1.1 串行化的模块内部结构及其问题串行化的模块内部结构及其问题 自然语言信息抽取是一系列浅层自然语言处理技术的结合体。为了将非结构化的自然 语言文本转化到结构化的信息库中，需要多种自然语言处理技术的协同工作。从某种意义 上说，这些处理技术将以串行的方式运行，即前一个步骤的处理输出结果将作为后一步骤 的输入。这种工作方式优点是模块内部结构简单，便于分级调试。 根据传统的自然语言处理技术，汉语的信息抽取模块中大致应包含的处理步骤应当包 括了分词处理、名称分析、语法分析、语义分析、场景匹配、一致性分析、推理判断、模 板匹配填充，等等。 但子过程的串联，带来的问题是，各个阶段处理的准确性高度依赖于前端输出的正确 性。例如：假设信息抽取全过程由 n 个串联子过程组成，第 k 个子过程的查准率（或者查 全率）分别为，则整个模块的查准率（或者查全率）应为： k P n k k PP 1 一般而言，目前自然语言处理技术中虽然存在众多不同的算法，进行不同层次的分析 处理，但其查准率和查全率却大都不是很高17。通常在 60%90%之间不等。当前 MUC 英文 信息提取的各项指标（最好水平）大体上如下SAIC 99 Chinchor 99：实体 （Entities）识别 90%，属性识别（Attributes） 80% （TE 任务） ；事实识别（Facts） 70% （TR 任务） ；事件识别（Events）60% （ST 任务） 。这些指标也自然地反映了自然语言 处理在各个层次上的难度。 在最近一届 MUC 上表现最好的是 SRA 公司的系统Aone et al, 98，其所有 3 项 IE 指 标都是最高的。其评测结果如下： RecallPrecisionF-Score TE86%87%86.76 TR67%86%75.63 ST42%65%50.79 表一：MUC-7 测评结果 可以看出，在这样的查准率和查全率下，整个模块的性能表现将随着串联模块数量的 增加迅速下降。显然，过低的查准率和查全率，对于一个应用系统是缺乏实用意义的。 因此，要构建可实用的信息抽取系统，有两个种途径： 其一，进一步探讨各个处理模块的更有效的处理方法，以达到更高的查准率和查全率； 其二，改变信息抽取模型结构，根据应用领域的特殊性，简化串行结构的长度，以提 高模块整体的性能表现。 第一种途径显然是信息抽取技术逐步发展成熟的必然途径，但是在短期内恐怕还难以 在这一方向上取得突破性的发展。而第二种途径却是目前可能做到的。因为不同的应用领 域具有不同的特性，结合这些特性可以有力地提高各个模块的处理正确性，简化信息抽取 模型。以下将结合股市公告文本信息抽取的特点，讨论信息抽取模型的简化。 2.1.2 2.1.2简化的高性能信息抽取模型简化的高性能信息抽取模型 8 在我们即将设计和实现的股市公告信息抽取系统中，希望通过缩短处理子在我们即将设计和实现的股市公告信息抽取系统中，希望通过缩短处理子 过程的路径长度，来提高信息抽取模型的性能。过程的路径长度，来提高信息抽取模型的性能。 由于股市公告文本具有以下一些特性，所以简化信息抽取模型是可能的。由于股市公告文本具有以下一些特性，所以简化信息抽取模型是可能的。 一方面，股市公告文本的主题分类比较明显。一般而言，股市公告主要包括了停牌公一方面，股市公告文本的主题分类比较明显。一般而言，股市公告主要包括了停牌公 告、财务指数公告、董事会决议公告、配送股公告、新股上市公告等若干种类型。每种公告、财务指数公告、董事会决议公告、配送股公告、新股上市公告等若干种类型。每种公 告文本类别论述的主题比较固定，利于用抽取模板加以描述。告文本类别论述的主题比较固定，利于用抽取模板加以描述。 另一方面，各类公告文本的格式相对简单、固定。通常很少出现句式的变化，陈述过另一方面，各类公告文本的格式相对简单、固定。通常很少出现句式的变化，陈述过 程中句法规则也相对简单。程中句法规则也相对简单。 同时，简化后的模型应该能够比原模型具有更好的性能表现。同时，简化后的模型应该能够比原模型具有更好的性能表现。 首先，缩短了处理过程路径的长度，避免了过长的串行系统结构可能导致的低查准率首先，缩短了处理过程路径的长度，避免了过长的串行系统结构可能导致的低查准率 和查全率。和查全率。 其次，合并简化处理子过程，减少了处理所需的时间，提高了处理的效率。其次，合并简化处理子过程，减少了处理所需的时间，提高了处理的效率。 基于以上观点，考虑将信息抽取中的某些步骤合并简化。简化后基于以上观点，考虑将信息抽取中的某些步骤合并简化。简化后的高性能系统结的高性能系统结 构如图三所示。构如图三所示。 图三：简化后的信息抽取模型图三：简化后的信息抽取模型 从图中可以看出，处理过程的长度大大缩短了。一篇中文文档一般只需经过分词处理、从图中可以看出，处理过程的长度大大缩短了。一篇中文文档一般只需经过分词处理、 自动标注和模板填充三个步骤即可完成信息抽取。文本自动分类主要是根据关键词进行的，自动标注和模板填充三个步骤即可完成信息抽取。文本自动分类主要是根据关键词进行的， 由于股市公告文本的特殊性，其准确率可达到由于股市公告文本的特殊性，其准确率可达到 98%98%以上。而在正确分类的前提下，对已知以上。而在正确分类的前提下，对已知 文本类型进行词类自动标注和模板填充将变得更为容易，也具有更高的准确性。文本类型进行词类自动标注和模板填充将变得更为容易，也具有更高的准确性。 本章的余下部分，将对自动分词和文本自动标注的实现做部分介绍。而模板填充算法本章的余下部分，将对自动分词和文本自动标注的实现做部分介绍。而模板填充算法 的实现，是本模块的关键环节，将在下一章中详细论述。的实现，是本模块的关键环节，将在下一章中详细论述。 分词处理 词典 股市公告 文本 A 类文本 自动标注 B 类文本 自动标注 C 类文本 自动标注 A 类模板 填充 B 类模板 填充 C 类模板 填充 文本自动分 类 信息库 9 2.2 自动分词 近年来，国内众多研究机构已经在计算机汉语文本自动分词方面进行了大量的研究， 并取得了很多成就。二十年来，已经提出了许多分词算法。我们可以将现有的分词算法分 为三大类：基于字符串匹配的分词方法、基于理解的分词方法和基于统计的分词方法。 基于字符串匹配的分词方法 这种方法又叫做机械分词方法，它是按照一定的策略将待分析的汉字串与一个“充分 大的”机器词典中的词条进行配，若在词典中找到某个字符串，则匹配成功（识别出一个 词） 。按照扫描方向的不同，串匹配分词方法可以分为正向匹配和逆向匹配；按照不同长度 优先匹配的情况，可以分为最大（最长）匹配和最小（最短）匹配；按照是否与词性标注 过程相结合，又可以分为单纯分词方法和分词与标注相结合的一体化方法。常用的几种机 械分词方法如：正向最大匹配、逆向最大匹配、最少切分（使每一句中切出的词数最小） 。 还可以将上述各种方法相互组合，例如，可以将正向最大匹配方法和逆向最大匹配方 法结合起来构成双向匹配法。由于汉语单字成词的特点，正向最小匹配和逆向最小匹配一 般很少使用。一般说来，逆向匹配的切分精度略高于正向匹配，遇到的歧义现象也较少。 统计结果表明，单纯使用正向最大匹配的错误率为 1/169，单纯使用逆向最大匹配的错误 率为 1/245。但这种精度还远远不能满足实际的需要。由于分词是一个智能决策过程，机 械分词方法无法解决分词阶段的两大基本问题：歧义切分问题和未登录词识别问题。实际 使用的分词系统，都是把机械分词作为一种初分手段，还需通过利用各种其它的语言信息 来进一步提高切分的准确率。 一种方法是改进扫描方式，称为特征扫描或标志切分，优先在待分析字符串中识别和 切分出一些带有明显特征的词，以这些词作为断点，可将原字符串分为较小的串再来进机 械分词，从而减少匹配的错误率。 另一种方法是将分词和词类标注结合起来，利用丰富的词类信息对分词决策提供帮助， 并且在标注过程中又反过来对分词结果进行检验、调整，从而极大地提高切分的准确率。 基于理解的分词方法 通常的分析系统，都力图在分词阶段消除所有歧义切分现象。而有些系统则在后续过通常的分析系统，都力图在分词阶段消除所有歧义切分现象。而有些系统则在后续过 程中来处理歧义切分问题，其分词过程只是整个语言理解过程的一小部分。其基本思想就程中来处理歧义切分问题，其分词过程只是整个语言理解过程的一小部分。其基本思想就 是在分词的同时进行句法、语义分析，利用句法信息和语义信息来处理歧义现象。它通常是在分词的同时进行句法、语义分析，利用句法信息和语义信息来处理歧义现象。它通常 包括三个部分：分词子系统、句法语义子系统、总控部分。在总控部分的协调下，分词子包括三个部分：分词子系统、句法语义子系统、总控部分。在总控部分的协调下，分词子 系统可以获得有关词、句子等的句法和语义信息来对分词歧义进行判断，即它模拟了人对系统可以获得有关词、句子等的句法和语义信息来对分词歧义进行判断，即它模拟了人对 句子的理解过程。这种分词方法需要使用大量的语言知识和信息。由于汉语语言知识的笼句子的理解过程。这种分词方法需要使用大量的语言知识和信息。由于汉语语言知识的笼 统、复杂性，难以将各种语言信息组织成机器可直接读取的形式，因此目前基于理统、复杂性，难以将各种语言信息组织成机器可直接读取的形式，因此目前基于理解的解的 分词系统还处在试验阶段。分词系统还处在试验阶段。 基于统计的分词方法基于统计的分词方法 从形式上看，词是稳定的字的组合，因此在上下文中，相邻的从形式上看，词是稳定的字的组合，因此在上下文中，相邻的 字同时出现的次数越多，就越有可能构成一个词。因此字与字相邻字同时出现的次数越多，就越有可能构成一个词。因此字与字相邻 10 共现共现的频率或概率能够较好的反映成词的可信度。可以对语料中相邻共现的各个字的组的频率或概率能够较好的反映成词的可信度。可以对语料中相邻共现的各个字的组 合的频度进行统计，计算它们的互现信息。定义两个字的互现信息为：合的频度进行统计，计算它们的互现信息。定义两个字的互现信息为： ，其中，其中 是汉字是汉字 X X、Y Y 的相邻共现概率，的相邻共现概率， 、 分别是分别是 X X、Y Y 在语料中出现的概率。互现信息体现了汉字之间在语料中出现的概率。互现信息体现了汉字之间 结合关系的紧密程度。当紧密程度高于某一个阈值时，便可认为此字组可能构成了一个词。结合关系的紧密程度。当紧密程度高于某一个阈值时，便可认为此字组可能构成了一个词。 这种方法只需对语料中的字组频度进行统计，不需要切分词典，因而又叫做无词典分词法这种方法只需对语料中的字组频度进行统计，不需要切分词典，因而又叫做无词典分词法 或统计取词方法。但这种方法也有一定的局限性，会经常抽出一些共现频度高、但并不是或统计取词方法。但这种方法也有一定的局限性，会经常抽出一些共现频度高、但并不是 词的常用字组，例如词的常用字组，例如“这一这一” 、 “之一之一” 、 “有的有的” 、 “我的我的” 、 “许多的许多的”等，并且对常用词的等，并且对常用词的 识别精度差，时空开销大。实际应用的统计分词系统都要使用一部基本的分词词典（常用识别精度差，时空开销大。实际应用的统计分词系统都要使用一部基本的分词词典（常用 词词典）进行串匹配分词，同时使用统计方法识别一些新的词，即将串频统计和串匹配结词词典）进行串匹配分词，同时使用统计方法识别一些新的词，即将串频统计和串匹配结 合起来，既发挥匹配分词切分速度快、效率高的特点，又利用了无词典分词结合上下文识合起来，既发挥匹配分词切分速度快、效率高的特点，又利用了无词典分词结合上下文识 别生词、自动消除歧义的优点。别生词、自动消除歧义的优点。 这些算法各具特色，需结合具体的应用领域进行综合利用。已见诸报道的研究成果如： 北京航空航天大学计算机系的 CDWS 分词系统，山西大学的现代汉语自动分词及词性标注系 统1，北京大学计算语言学研究所的汉语切分与标注软件，清华大学 SEG 分词系统和 SEGTAG 系统，哈工大统计分词系统，杭州大学改进的 MM 分词系统，Microsoft Research 汉语句法分析器中的自动分词，等等15。 这些切分与标注软件大都通过大量跨领域文本的测试，具有较为稳定的性能表现。但 是在我们的特殊领域的应用系统中，并不需要对任意领域文本都能进行准确切分的能力。 不仅如此，在我们的应用领域中，期望的文本切分效果也不同于普通文本。在股市公告中， 普遍存在大量的术语和惯用语。我们当然希望不要将这些词切碎，以利于更好的进行信息 抽取。因此，设想构造一个规模较小的，能够较好识别领域词汇的小型分词子系统。在构 造自动分词子系统时，以人工分词得到得语料库为标准。统计各类词汇出现的概率，构造 词典。在分词时处于性能考虑，采用了较简单的最长匹配法分词规则。经过测试，自动分 词的结果完全能够满足信息抽取的需求。 由于分词模块并非本系统的重点核心所在，故在此仅作简短介绍。 2.3词类自动标注 在分词的结果上，还应该为各个词汇标注上一些表明词汇作用或属性的信息，以便利在分词的结果上，还应该为各个词汇标注上一些表明词汇作用或属性的信息，以便利 用这些信息去填充模板。用这些信息去填充模板。 进行自动标注的方式和层次有多种。例如，可以对词性进行标注，如名词、动词、形进行自动标注的方式和层次有多种。例如，可以对词性进行标注，如名词、动词、形 容词、数量词等等；也可以对识别的命名实体（容词、数量词等等；也可以对识别的命名实体（NamedNamed EntityEntity） 、专有名词（、专有名词（ProperProper NounNoun）等进行标注，主要取决于后续处理阶段的需要。传统的自然语言处理过程中，通常）等进行标注，主要取决于后续处理阶段的需要。传统的自然语言处理过程中，通常 认为，对词类的标注应该从词性的层次上开始，其他自然语言的处理过程都将建筑在对词认为，对词类的标注应该从词性的层次上开始，其他自然语言的处理过程都将建筑在对词 性的分析之上。但是，我们认为在特定领域的信息抽取任务中，从词性开始的词类标注并性的分析之上。但是，我们认为在特定领域的信息抽取任务中，从词性开始的词类标注并 非必要。非必要。 由于信息抽取实际上是在给定语义框架（用模板描述）的基础上，对语义框架中的关由于信息抽取实际上是在给定语义框架（用模板描述）的基础上，对语义框架中的关 键部分（属性槽键部分（属性槽 SlotSlot）以相应内容（填槽物）以相应内容（填槽物 SlotSlot FillerFiller）填充，所以可以期望直接标注）填充，所以可以期望直接标注 出全部或部分的关键内容。出全部或部分的关键内容。 11 出于这种想法，我们希望能够在此采用一个直接标注包含语义信息的词类自动标注子出于这种想法，我们希望能够在此采用一个直接标注包含语义信息的词类自动标注子 系统。其中最重要的一项工作就是确定标注的词类。从图三可以看出，词类自动标注是在系统。其中最重要的一项工作就是确定标注的词类。从图三可以看出，词类自动标注是在 文本分类之后才进行的，所以应该根据不同的文本类别来进行不同的词类标注。信息抽取文本分类之后才进行的，所以应该根据不同的文本类别来进行不同的词类标注。信息抽取 的任务就是根据不同的文本类别，以合适的抽取模板加以刻画。我们就可以尝试根据模板的任务就是根据不同的文本类别，以合适的抽取模板加以刻画。我们就可以尝试根据模板 的属性槽来定义词类。例如的属性槽来定义词类。例如, ,如下所示是一个描述停牌公告抽取模板的如下所示是一个描述停牌公告抽取模板的 DTDDTD 文件：文件： 其中定义了一系列元素（如停牌时间、时间跨度、股票名称等等）其中定义了一系列元素（如停牌时间、时间跨度、股票名称等等） ，这些都是需要抽，这些都是需要抽 取的模板属性槽。考虑根据以上的模板，抽取以下的公告实例：取的模板属性槽。考虑根据以上的模板，抽取以下的公告实例： “东盛科技”(600771)因刊登公告，9 月 11 日上午停牌半天。 将获取如下将获取如下 XMLXML 文档作为结果：文档作为结果： 东盛科技东盛科技 9 月月 1111 日上午日上午 半天半天 刊登公告刊登公告 此例充分体现了股市公告文本句法特殊，结构固定的特点。对此例原文分词后，我们此例充分体现了股市公告文本句法特殊，结构固定的特点。对此例原文分词后，我们 可以期望获取如下自动标注的可以期望获取如下自动标注的 XMLXML 文档：文档： “ 东盛科技东盛科技 ” ( 600771600771 ) 因因 12 刊登刊登 公告公告 ， 99 月月 1111 日上午日上午 停牌停牌 半天半天 。 其中其中 punctuationpunctuation 标注标点，标注标点，stocknamestockname 标注股票名称，标注股票名称，stockidstockid 标注股票标注股票 idid，datedate 标注日期，标注日期，lengthlength 标注时间跨度，标注时间跨度，swsw 是模板特殊词（是模板特殊词（SpecialSpecial WordWord）的缩写，）的缩写， nana 标注的是本模板中无需关心的词（标注的是本模板中无需关心的词（NotNot AvailableAvailable） 。 在同课题组的许多老师和同学的共同努力和大力帮助下，我们对近年来上海证券在同课题组的许多老师和同学的共同努力和大力帮助下，我们对近年来上海证券 交易所的公告进行了人工分词和标注。通过计算机程序统计，构造起了自动分词和标注交易所的公告进行了人工分词和标注。通过计算机程序统计，构造起了自动分词和标注 所需的小规模领域词典，包含领域常用词汇约所需的小规模领域词典，包含领域常用词汇约 12001200 词，另外还有沪深两地各类股票名词，另外还有沪深两地各类股票名 称和编号等。针对不同类型（模版）的文本，将具有不同的标注标准。对标注文本统计称和编号等。针对不同类型（模版）的文本，将具有不同的标注标准。对标注文本统计 数目见表二。数目见表二。 表二：人工标注文本量统计表二：人工标注文本量统计 在进行了自动分词和词类标注的基础上，下一章将详细探讨如何利用标注信息填充模在进行了自动分词和词类标注的基础上，下一章将详细探讨如何利用标注信息填充模 板的具体算法。板的具体算法。 公告类别公告类别公告文本量（篇）公告文本量（篇）百分比百分比 决议公告决议公告 939315.7%15.7% 财务指数公告财务指数公告 41541570.1%70.1% 停牌公告停牌公告 21213.5%3.5% 其它公告其它公告 636310.6%10.6% 共计共计 592592100%100% 13 3 3信息抽取的关键算法信息抽取的关键算法 在前一章里，已经将信息抽取的问题归结为对文本的自动分词、自动标注和模板填充 三个步骤，并且已经简单介绍了前两个步骤的设计和实现方法。本章中将要详细论述的是 模板的自动填充算法。将分别讨论采用传统语言学方法以及统计学方法进行的模板填充算 法。 3.1传统语言学方法 3.1.1 3.1.1基于规则的信息抽取算法基于规则的信息抽取算法 根据传统的语言学方法，一般采用语法分析的方式来填充模板。语言学中语法分析的根据传统的语言学方法，一般采用语法分析的方式来填充模板。语言学中语法分析的 理论和方法众多，各有优缺点。比较著名的如理论和方法众多，各有优缺点。比较著名的如 KaplanKaplan 和和 BresnanBresnan（19821982）的词汇功能语法）的词汇功能语法 （LFGLFG） 、ShieberShieber（19841984）的）的 PART-IIPART-II，KayKay（19851985）的功能合一语法（）的功能合一语法（FUGFUG） ， GazdarGazdar（19851985）的广义短语结构语法（）的广义短语结构语法（GPSGGPSG） ，PollandPolland 和和 SagSag（19871987）的中心词去动的短）的中心词去动的短 语结构语法（语结构语法（H-DPSGH-DPSG）等等）等等38913 38913。 。 上述的各种分析方法从理论上，对自然语言本质性问题进行了较深入的研究。然而在上述的各种分析方法从理论上，对自然语言本质性问题进行了较深入的研究。然而在 一个中文的信息抽取的实用系统中充分应用这些分析方法，却存在着困难。一个中文的信息抽取的实用系统中充分应用这些分析方法，却存在着困难。 首先，信息抽取技术应当避免采用深层自然语言处理技术（首先，信息抽取技术应当避免采用深层自然语言处理技术（DNLPTDNLPT） 。这一方面是出于。这一方面是出于 性能考虑，信息抽取系统往往要对大量文本进行高效率的处理，另一方面则是考虑到信息性能考虑