基于条件随机域的中文事件类型识别

传统的分步骤事件抽取方法中,事件元素识别的结果无法指导事件类型识别,而事件类型识别的效果在很大程度上决定了事件抽取系统的整体性能.文中为解决事件类型识别对元素识别的后向依赖问题,将事件抽取看作序列标注,构建一个改进的条件随机域联合标注模型,将事件类型和事件元素在图模型中同时进行标注.同时,通过触发词嵌入试图解决事件抽取中的数据不平衡问题.ACE2005中文语料上的实验表明,基于该模型的方法提高了事件类型识别的性能,最终F值达到63.53%.

事件超图模型及类型识别

为避免向量空间模型的独立性假设影响事件类型识别,该文提出了一种基于超图的事件类型识别方法。该方法首先用事件超图描写事件元素间的多元有序关系;然后用事件超图模型(由事件超图添加类型组件和层面组件后构成)描述某个(某类)事件在不同观测层面的属性及其结构;最后根据事件的属性及其结构计算其相似度,并借此完成事件类型识别。实验结果显示,此方法识别效率的平均F值达到83.0%,与基于向量空间模型的支持向量机方法和最大熵方法相比,此方法也具有一定优势。

基于EMD的IMF时域统计特征提取及其应用于震动事件源类型识别研究

文章对地震波形进行经验模态分解(EMD),对分解后的内模函数(IMF)进行时域特征提取,由所提取的特征对天然地震和人工爆炸2类事件源类型进行分类识别,结果表明,由IMF所提取的时域特征具有良好的区分识别能力。采用经验模态分解将原波形信号分解为7个内模函数和残差函数,对原波形、每个内模函数和残差函数分别提取26个时域统计特征,组成9个特征组(命名为Q_(0),Q_(1),…,Q_(8));再计算7个内模函数的幅度能量比得到7个能量比特征,再和选择前4个内模函数的26个时域统计特征中的8个特征共32个特征组成一个有39个特征的特征组(命名为Q_(9))。对这10组特征样本集进行单组、多组的特征组合事件类型识别实验,采用对称KL距离(Kullback-Leibler divergence)、以事件为识别单元进行分类识别;每次识别实验,随机选取部分(30%,50%,70%,或90%)事件的所有观测台站的3分量的所有波形相应特征组的特征同时作为训练样本和测试样本集,多次反复进行实验,结果表明第2个内模函数提取的时域统计特征在选择90%事件时识别效果最好,正确识别率大于90%;这说明,内模函数具有比原波形更好的事件类型区分能力,可为由波形识别事件源类提供更为有效的特征。

基于CRFs和跨事件的事件识别研究

事件检测与类型识别是事件抽取的基础,具体实施分为触发词检测和事件类型识别2个阶段。分别对2个阶段进行研究,在前一阶段,针对词形特征过拟和问题,提出利用LDA模型对词语聚类的方法,考虑到中文自动分词与标注的触发词边界的不一致性,提出基于CRFs模型的触发词识别方法。在后一阶段,为提高事件类型识别的效果,将跨事件理论应用于中文事件类型识别。实验结果表明,该方法能提高系统性能,F值分别提高到66.3和62.0。

事件源类型识别中的地震波HHT时频特征提取研究

论文利用希尔伯特-黄变换(HHT)算法,对地震波形数据进行经验模态分解,得到有限个内模函数(IMF)和1个残差函数,并分别直接提取前3个IMF的均值、方差、峰值、峭度和香农熵特征,以及前3个内模函数经过HHT变换后的瞬时振幅幅度谱和瞬时频率幅度谱特征值,这些特征组成特征样本集。采用对称KL距离(Kullback-Leibler distance),以事件为识别单元进行分类识别,每次识别实验,随机选取部分(30%,50%,70%,或90%)事件的所有观测台站的3分量的所有波形相应特征组的特征作为训练样本集的同时也作为测试样本集,多次反复进行实验,结果表明随机选择的4种不同比例的部分事件正确识别率均大于95%;这说明,对从IMF中提取的时频特征,可为由波形识别事件源类提供更为有效的特征。

音乐领域典型事件抽取方法研究

事件抽取是信息抽取领域一个重要的研究方向。该文从音乐领域的事件抽取出发,通过领域事件词聚类的方法自动发现音乐领域具有代表性的事件,然后采用基于关键词与触发词相结合的过滤方法简化了事件类型的识别过程。在事件元素识别中,该文采用了基于最大熵的事件元素识别方法。在该文构建的语料库下,最终事件类型识别的平均F值达到82.82%,事件元素识别的平均F值达到75.79%。

爆破、塌陷识别研究进展综述

简要介绍当前国内外关于天然地震与爆破、塌陷等非天然地震特征研究及事件类型识别的进展。对各类事件的定义及主要波形特征进行简要综述,重点介绍了事件类型判定的各类识别方法。与自然界天然地震不同,非天然地震由人工干预或人类活动间接引发。爆破是炸药在爆炸瞬间能量迅速释放,部分能量以地震波形式向外传播,引起地表振动而产生破坏效应的一种地震;塌陷是由于岩层崩塌陷落而形成的地震。虽然在地震台网记录到的天然地震与爆破、塌陷的波形存在一定的共性特征,但由于震源类型、波的传播路径、震源深度等不同,各类事件的波形记录在P波初动、P波与S波最大振幅比、持续时间、震相、短周期面波发育情况、发震时刻、空间位置分布以及频谱特征等方面差异明显。目前主要有两类方法来识别地震与爆破、塌陷等非天然事件。一类为直接基于波形在信号、数据方面的特征,通过定性分析来进行事件类型判定,如波形时频分析对比法、小波变换、相关系数等;另一类为统计学领域诸如模式识别等算法,利用统计算法综合考虑多个事件特征判据的定量判定阀值来实现地震与爆破、塌陷事件类型的识别,如最小距离法、改进的连续亨明方法、Fisher方法、逐步代价最小决策法、支持向量机、前馈神经网络等。两类方法本质上均为提取有效特征判据,即对数据进行降维使用,未将事件记录的全部信息用于事件判定。因此,有必要使用一种可从全部事件记录中自动提取各类信息并可组合底层特征的算法来对各类事件进行判断识别。

基于CNN⁃BiGRU模型的事件触发词抽取方法

传统事件触发词抽取方法在特征提取过程中对自然语言处理工具产生过度依赖的方法,耗费大量人力,容易出现错误传播和数据稀疏性等问题。为此,提出采用CNN-BiGRU模型进行事件触发词抽取的方法。将词向量和位置向量进行拼接作为输入,提取词级别特征和句子全局特征,提高触发词抽取效果,并通过CNN提取词汇级别特征,利用BiGRU获取文本上下文语义信息。在ACE2005英文语料库和中文突发事件语料库CEC上的实验结果表明,该模型事件触发词识别F1值分别达到74.9%和79.29%,有效提升事件触发词的抽取性能。