结合词语规则和SVM模型的军事命名实体关系抽取方法

抽取作战文书中的军事命名实体关系,是实现作战文书语义理解的一种有效方法。在分析作战文书中军事命名实体词语规则的基础上,提出了一种结合词语规则和SVM模型的军事命名实体关系抽取方法。首先,使用词语规则整合作战文书中连续出现的军事命名实体并抽取其关系,使其更加适合SVM模型。然后,使用SVM模型对传统规则模板难以使用的词窗、词性和距离等特征进行建模,抽取军事命名实体关系。实验结果表明,优先利用词语规则能充分提高SVM模型抽取军事命名实体关系的效果,与单纯使用SVM模型相比,准确率和召回率分别提高了8.73%和41.71%。

基于规则和CRFs的部队组合名称识别方法

在军用文书处理中,提出了一种基于规则和CRFs的部队组合名称识别方法,旨在识别部队组合名称中包含的建制单位。首先在词语粗切分的军用文书上使用CRFs模型识别出部队组合名称,然后采用拆分规则识别部队组合名称中包含的建制单位。实验表明,基于规则和CRFs的部队组合名称识别方法识别准确率达到79.48%,识别的召回率为93.93%。

小粒度策略下基于CRFs的军事命名实体识别方法

军事命名实体(Military Named Entities,MNEs)内部嵌套关系复杂、语法区分不明显,从而影响实体识别效果,针对这一问题,提出了一种小粒度策略下基于条件随机场(Conditional Random Fields,CRFs)的MNEs识别方法。运用小粒度策略,结合手工构建的MNEs标注语料进行建模,采用CRFs模型识别出不可再分的小粒度MNEs,再通过对小粒度MNEs进行组合得到完整的MNEs。最后,通过实验对该方法进行了验证,结果表明:在作战文书语料的开放测试中,MNEs识别的召回率达到72%以上,准确率达到85%以上。