基于自动回标的地理实体关系语料库构建方法

doi:10.12082/dqxxkx.2018.180032

地球信息科学学报 ›› 2018, Vol. 20 ›› Issue (7): 871-879.doi: 10.12082/dqxxkx.2018.180032

• 地球信息科学理论与方法 • 下一篇

基于自动回标的地理实体关系语料库构建方法

王姬卜^1,²(), 陆锋^2,³, 吴升^1,², 余丽^3,^4,^*()

1. 福州大学福建省空间信息工程研究中心,福州 350002
2. 海西政务大数据应用协同创新中心,福州 350002
3. 中国科学院地理科学与资源研究所资源与环境信息系统国家重点实验室,北京 100101
4. 中国科学院文献情报中心,北京 100190

收稿日期:2018-01-04 修回日期:2018-03-28 出版日期:2018-07-20 发布日期:2018-07-13
作者简介:
作者简介: 王姬卜(1993-),女,山西临汾人,硕士生,主要从事地理信息工程研究。E-mail: 418771916@qq.com
基金资助:
国家自然科学基金重点项目(41631177)；数字福建建设项目（闽发改网数字函[2014]191 号、[2016]23 号、[2016]77号）；福建省科技创新平台项目(2015H2001)

Constructing the Corpus of Geographical Entity Relations Based on Automatic Annotation

WANG Jibu^1,²(), LU Feng^2,³, WU Sheng^1,², YU Li^3,^4,^*()

1. Spatial Information Research Center of Fujian Province, Fuzhou University, Fuzhou 350002, China
2. Fujian Collaborative Innovation Center for Big Data Applications in Governments, Fuzhou 350002, China
3. State Key Laboratory of Resources and Environmental Information System, Institute of Geographic Sciences and Natural Resources Research, Chinese Academy of Sciences, Beijing 100101, China
4. National Science Library, Chinese Academy of Sciences, Beijing 100190, China

Received:2018-01-04 Revised:2018-03-28 Online:2018-07-20 Published:2018-07-13
Contact: YU Li
Supported by:
National Natural Science Foundation of China, No.41631177; Digital Fujian Construction Project, No.[2014]191, [2016]23, [2016]77; Fujian Science and Technology Innovation Platform Project, No.2015H2001

摘要/Abstract

摘要：

地理实体关系语料库是地理信息获取与地理知识服务的基础数据资源,其规模直接影响机器学习模型训练的效果。快速更新的网络文本不断涌现新的关系实例,要求语料库及时更新以覆盖更丰富的关系实例。手工构建和更新语料库成本高昂,亟需一种快速构建大规模地理实体关系语料库的方法。本文提出一种基于回标技术的地理实体关系语料库构建方法。首先,参考地理实体分类标准与语义关系、空间关系分类标准,针对地理实体关系的自然语言描述习惯,建立地理实体关系的标注体系;然后,结合精确匹配与模糊匹配策略,提高客体匹配的覆盖率;接着,基于优序图法建立句子打分规则,实现种子三元组到句子映射的定量评价;最后,使用中文百度百科文本验证方法的有效性。实验结果显示,本文方法平均回标成功率为67.83%,关系标注的准确率为76.36%。相比人工构建空间关系标注语料库的过程,本文提出的语料自动构建方法,标注速度快,规模大,为自动扩充标注语料库提出了可行方案。同时,该方法兼顾了地理实体间的语义关系和空间关系,且关系类型不受限,可用于开放式关系抽取任务。

关键词: 地理实体关系, 语料库构建, 自动回标, 地理信息抽取, 标注体系

Abstract:

The corpus of geographical entity relations is the basic data resource of geographical information acquisition and geographical knowledge services, and its scale directly affects the training effect of machine learning models. Fast-updated web text is constantly emerging as a new relational example, requiring the corpus to be updated in a timely manner to cover richer relational instances. Manually constructing and updating corpus are expensive. Therefore, it needs a more efficient technology of corpus construction for massive geographical entity relations. In this paper, we propose an efficient method of corpus construction for massive geographical entity relations through the automatic annotation technique. First of all, based on encyclopedia resources, referring geographical entity classification standard and semantic relation, spatial relation classification standard to establish an annotation scheme of geographical relation, which considers both the linguistic habits of natural language and the annotation normalization. Secondly, we combine the fully-matching with the approximate matching to improve the coverage rate of object entity finding. Thirdly, we define the rules of sentence scoring by using the optimal sequence diagram method, as well as quantitatively evaluate the results of mapping the seed triples to the sentences. Finally, a series of experiments based on the Chinese BaiduBaike are carried out, which is used to verify the effectiveness of the improved automatic annotation. The results show that, the average success rate of the automatic annotation is 67.83%, and the average accuracy of the annotated relations by our method is 76.36%. Comparing with the manually annotated corpus of the spatial relations, the proposed method constructed a large-scale corpus of geographical entity relations more efficiently, which provides a feasible scheme for expending geographical entity relations corpus automatic. Experimental results on self-built corpus by LSTM (Long Short Term Memory) network shows that the accuracy of geographical relation extracting from web texts is 73.2%, and the accuracy of relative corpora is 75.2%, which proofs that the corpus of geographical entity relations is available. At the same time, this method takes into account the semantic relationship and spatial relationship between geographical entities, and it can be used for open relation extraction task. Besides, the relation types are not limited, which can be applied to open relation extraction.

Key words: geographical relations, corpus construction, automatic annotation, geographical information extraction, annotation scheme

王姬卜, 陆锋, 吴升, 余丽. 基于自动回标的地理实体关系语料库构建方法[J]. 地球信息科学学报, 2018, 20(7): 871-879.DOI:10.12082/dqxxkx.2018.180032

WANG Jibu,LU Feng,WU Sheng,YU Li. Constructing the Corpus of Geographical Entity Relations Based on Automatic Annotation[J]. Journal of Geo-information Science, 2018, 20(7): 871-879.DOI:10.12082/dqxxkx.2018.180032

图/表 11

图1

图2

图3

图4

表1

表2

表3

图5

图6

表4

表5

参考文献 22

[1]	陆锋,余丽,仇培元.论地理知识图谱[J].地球信息科学学报,2017,19(6):723-734.
	[ Lu F, Yu L, Qiu P Y.On geographic knowledge graph[J]. Journal of Geo-information Science, 2017,19(6):723-734. ]
[2]	余丽,陆锋,张恒才.网络文本蕴涵地理信息抽取:研究进展与展望[J].地球信息科学学报,2015,17(2):127-134. doi: 10.3724/SP.J.1047.2015.00127
	[ Yu L, Lu F, Zhang H C.Extracting geographic information from web texts: Status and development[J]. Journal of Geo-information Science, 2015,17(2):127-134. ] doi: 10.3724/SP.J.1047.2015.00127
[3]	余丽,陆锋,刘希亮,等.稀疏地理实体关系的关键词提取方法[J].地球信息科学学报,2016,18(11):1465-1475.
	[ Yu L, Lu F, Liu X L, et al.A method of context enhanced keyword extraction for sparse geo-entity relation[J]. Journal of Geo-information Science, 2016,18(11):1465-1475. ]
[4]	张雪英,张春菊,朱少楠.中文文本的地理空间关系标注[J].测绘学报,2012,41(3):468-474.
	[ Zhang X Y, Zhang C J, Zhu S N.Annotation for geographical spatial relations in Chinese text[J]. Acta Geodaetica et Cartographica Sinica, 2012,41(3):468-474. ]
[5]	姜维,王晓龙,关毅,等.基于多知识源的中文词法分析系统[J].计算机学报,2007,30(1):137-145. doi: 10.3321/j.issn:0254-4164.2007.01.016
	[ Jiang W, Wang X L, Guan Y, et al.Research on Chinese lexical analysis system by fusing multiple knowledge source[J]. Chinese Journal of Computers, 2007,30(2):285-289. ] doi: 10.3321/j.issn:0254-4164.2007.01.016
[6]	李丽双,党延忠,廖文平,等.CRF与规则相结合的中文地名识别[J].大连理工大学学报,2012(2):285-289.
	[ Li L S, Dang Y Z, Liao W P, et al.Recognition of Chinese location names based on CRF and rules[J]. Journal of Dalian University of Technology, 2012(2):285-289. ]
[7]	周炫余,刘娟,邵鹏,等.基于层次过滤模型的中文指代消解[J].吉林大学学报(工学版),2016,46(4):1209-1215.
	[ Zhou X Y, Liu J, Shao P, et al.Chinese anaphora resolution based on multi-pass sieve model[J]. Journal of Jilin University (Engineering and Technology Edition), 2016,46(4):1209-1215. ]
[8]	张春菊,张雪英,王曙,等.中文文本的事件时空信息标注[J].中文信息学报,2016,30(3):213-222.
	[ Zhang C J, Zhang X Y, Wang S, et al.Annotation of spatial-temporal information of event in Chinese text[J]. Journal of Chinese Information Processing, 2016,30(3):213-222. ]
[9]	张雪英,朱少楠,张春菊.中文文本的地理命名实体标注[J].测绘学报,2012,41(1):115-120.
	[ Zhang X Y, Zhu S N, Zhang C J.Annotation for geographical named entities in Chinese text[J]. Acta Geodaetica et Cartographica Sinica, 2012,41(1):115-120. ]
[10]	Wu F, Weld D S.Autonomously semantifying Wikipedia[C]// Sixteenth ACM conference on conference on information and knowledge management. Lisbon, Portugal: ACM. 2007:41-50.
[11]	申琪君. 中文文本空间关系标注方法研究[D].南京:南京师范大学,2010.
	[ Shen Q J.Research of spatial relation tagging in Chinese-text[D]. Nanjing: Nanjing Normal University, 2010. ]
[12]	Nothman J, Ringland N, Radford W, et al.Learning multilingual named entity recognition from Wikipedia[J]. Artificial Intelligence, 2013,194:151-175. doi: 10.1016/j.artint.2012.03.006
[13]	Richman A E, Schone P.Mining Wiki resources for multilingual named entity recognition[C]// ACL 2008, Proceedings of the, Meeting of the Association for Computational Linguistics. Columbus, Ohio, USA. DBLP, 2008:1-9.
[14]	曾道建,来斯惟,张元哲,等.面向非结构化文本的开放式实体属性抽取[J].江西师范大学学报(自然版),2013,37(3):279-283. doi: 10.3969/j.issn.1000-5862.2013.03.014
	[ Zeng D J, Lai S W, Zhang Y Z, et al.Open entity attribute-value extraction from unstructured text[J]. Journal of Jiangxi Normal University (Natural Science), 2013,37(3):279-283. ] doi: 10.3969/j.issn.1000-5862.2013.03.014
[15]	王汀,冀付军,徐天晟.一种面向中文网络百科非结构化信息的知识获取方法[J].图书情报工作,2016(13):126-133. doi: 10.13266/j.issn.0252-3116.2016.13.016
	[ Wang T, Ji F J, Xu T S.A novel knowledge extraction approach oriented on unstruactured information of Chinese online encyclopedia[J]. Library and Information Service, 2016(13):126-133. ] doi: 10.13266/j.issn.0252-3116.2016.13.016
[16]	王昊. 面向网络的中文实体关系抽取的研究[D].北京:中国科学院大学,2015.
	[ Wang H.Research on web-based Chinese entity relation extraction[D]. Beijing: University of Chinese Academy of Sciences, 2015. ]
[17]	贾真,杨宇飞,何大可,等.面向中文网络百科的属性和属性值抽取[J].北京大学学报(自然科学版),2014,50(1):41-47. doi: 10.13209/j.0479-8023.2014.007
	[ Jia Z, Yang Y F, He D K, et al.Attribute and attribute value extracted from Chinese online encyclopedia[J]. Acta Scientiarum Naturalium Universitatis Pekinensis, 2014,50(1):41-47. ] doi: 10.13209/j.0479-8023.2014.007
[18]	杨宇飞. 面向中文网络百科的属性关系抽取研究[D].成都:西南交通大学,2014.
	[ Yang Y F.Research on attribute relation extraction from Chinese online encyclopedia[D]. Chengdu: Southwest Jiaotong University, 2014. ]
[19]	BLESSING A, Schütze H.Fine-Grained geographical relation extraction from Wikipedia[C]// International Conference on Language Resources and Evaluation. Valletta, Malta. DBLP, 2010:2949-2952.
[20]	杨腾飞. 基于百度百科的地理命名实体识别[D].济南:山东科技大学,2015.
	[ Yang T F.Based on the Baidu of geographical entity recognition[D]. Ji'nan:Shandong University of Science and Technology, 2015. ]
[21]	裘江南,张彬.客观知识体系中语义关系的分析分类研究[J].情报学报,2012,31(3):259-267. doi: 10.3772/j.issn.1000-0135.2012.03.004
	[ Qiu J N, Zhang B.Research on analysis and classification of semantic relations in objective knowledge system[J]. Journal of the China Society for Scientific and Technical Information, 2012,31(3):259-267. ] doi: 10.3772/j.issn.1000-0135.2012.03.004
[22]	余丽,陆锋,刘希亮.开放式地理实体关系抽取的Bootstrapping方法[J].测绘学报,2016,45(5):616-622.
	[ Yu L, Lu F, Liu X L.A bootstrapping based approach for open geo-entity relation extraction[J]. Acta Geodaetica et Cartographica Sinica, 2016,45(5):616-622. ]

大类	项数	小类
地形地貌	35	大洋、海域、海湾、海峡、海滩、岛、礁、半岛、河流、湖泊、沼泽、运河、河口、水渠、瀑布、三角洲、滩涂、泉、温泉、冰川、冰盖、冰原、冰山、火山、大洲、山脉、山峰、山谷、悬崖、盆地、沙漠、荒漠、峡谷、丘陵、高原
建筑设施	36	自然保护区、风景名胜区、公园、公路、铁路、地铁、桥梁、汽车站、火车站、机场、港口、水库、水电站、核电站、工厂、体育场馆、展览馆、博物馆、图书馆、档案馆、电影院、剧院、美术馆、游乐场、城堡、宫殿、遗址、遗迹、陵墓、清真寺、教堂、寺庙、道观、广场、摩天大楼、大型雕塑
行政区划	11	国家、首都、外国行政区、外国城市、省级行政区、地级行政区、县级行政区、乡级行政区、村级行政区、城市群、城市
组织机构	12	企业、教育机构、医疗机构、研究机构、宗教组织、体育组织、演艺团体、行业协会、管理机构、政党、经济组织、政治组织

关系分类	关系名称		属性名称
关系分类	项数	内容	项数	内容
空间关系	80	地理位置、地理区域、包含景点、包含高校、临近火车站、途经城市、过境公路、流经地区、连接城市、源头、所属城市、临近机场等	230	地理位置、位于、注入、主要景区、所属国家、途经、流经地区、所属山系
等同关系	8	中文名、全名、别名、简称、原名、誉名、外文名、译名	43	别称、别名、古称、美称、医院原名、公司简称、法语名称
等级关系	6	隶属、归属、下辖、分支机构、包含、组成	34	下辖地区、所属联盟、隶属单位、隶属、所属公司、所属教会
事件关系	11	搬迁、创立、筹建、设计、建造、施工、运营、合作、管理、勘探、批准	30	筹建、筹建单位、开发商、待建路段、搬迁、管理单位、批准单位、建造者、运营单位
合计	105		337

分类	词条数	信息框数	含种子三元组的词条数	种子三元组数	关系种类数	句子数
地形地貌	30	24	19	91	27	1346
行政区划	126	107	91	364	33	4056
建筑设施	124	106	75	251	46	2287
组织机构	635	534	447	1075	52	11 753
总计	915	771	632	1781	91	19 442

统计项	河流	山脉	地标建筑	道路	中国行政区划	外国行政区划
种子三元组数	1386	1404	934	2921	8080	4038
标注的句子数	1024	986	587	2147	6059	3161
标注的关系类型数	50	61	54	80	52	46
显式标注的句子数	776	696	345	1024	3896	2119
成功率/%	73.90	70.22	62.82	73.51	74.98	78.29
准确率/%	91	61	86	67	62	72
统计项	自然保护区	企业	教育机构	医疗机构	博物馆	总计
种子三元组数	457	774	1922	248	641	22 805
标注的句子数	317	398	349	94	347	15 470
标注的关系类型数	30	27	13	12	26	97
显式标注的句子数	243	120	313	78	187	9795
成功率/%	69.31	51.48	18.17	37.99	54.18	67.83
准确率/%	76	75	72	95	83	76.36

关系名称	包含景点	地理位置	临近火车站	途经城市	别名	隶属	临近机场	流经地区	包含高校	所属城市
语料数	842	791	352	315	261	261	168	158	119	102
准确率/%	78	86	31	91	62	69	60	95	52	76

基于自动回标的地理实体关系语料库构建方法

Constructing the Corpus of Geographical Entity Relations Based on Automatic Annotation

RichHTML

PDF (PC)

赞

可视化

被引次数

摘要/Abstract

引用本文

使用本文

图/表 11

参考文献 22

相关文章 4

Metrics

本文评价

推荐阅读 0

[1]	黄宗财, 陆锋, 仇培元, 彭澎. 网络文本蕴含地理信息质量评估框架[J]. 地球信息科学学报, 2023, 25(6): 1121-1134.
[2]	高嘉良,余丽,仇培元,陆锋. 基于通用知识库的地理实体开放关系过滤方法[J]. 地球信息科学学报, 2019, 21(9): 1392-1401.
[3]	陆锋, 余丽, 仇培元. 论地理知识图谱[J]. 地球信息科学学报, 2017, 19(6): 723-734.
[4]	余丽, 陆锋, 刘希亮, 程诗奋, 张雪英. 稀疏地理实体关系的关键词提取方法[J]. 地球信息科学学报, 2016, 18(11): 1465-1475.