面向开放域知识网络的实体语义关系抽取方法研究

Along with the rapid development of resources on the web, “Big Data” has been appearing as the main theme in almost every aspect of our life, where building large-scale knowledge bases has been considered as an effective and efficient way to manage and utilize such resources. However, current advances in information extraction suffer from collecting manually annotated training at a scale. In this proposal, we will focus on learning to extract high quality structured knowledge facts from large-scale web resources without intensive human involvement. We will first leverage the deep representation of words and named entities trained from large volumes of text resources to the capture the context information for entities, thus facilitate web-scale entity disambiguation and linking. We propose a "from sentence to entity pair" two-step relation extraction method under the distant supervision framework, and further optimise the extractions using global constrained models, while providing quality control for freshly populated knowledge triples. Furthermore, we will investigate the feasibility of automatic Knowledge Base updating using news event analysis.

面对日益膨胀的网络信息资源，“大数据”所带来的压力已逐步逼近；大规模语义知识资源的构建和组织已成为分担这种压力的有效手段。然而现有的信息抽取技术受困于大量人工标注数据而显得力不从心。本项目的核心是在这种大规模语义资源的构建和应用过程中，如何从海量非结构化文本数据中高效的抽取实体间的语义关系。我们首先借助于全局优化方法对分阶段优化的实体消歧与链接问题进行重新建模，并提出了一种离线估计与在线链接相结合的快速实体链接方法。同时，在弱监督学习框架下设计了“单句抽取—多句融合”的两步语义关系抽取模式，并利用多约束的全局优化方法为大规模语义知识资源自动抽取实体关系数据，并提供相应的数据质量评估手段；此外，我们还将探索利用新闻事件分析促进结构化知识资源的动态更新。

本项目重点研究并实现了一系列面向大规模文本资源的知识获取及语义分析核心技术，主要包括：面向大规模结构化知识库构建的信息抽取方法、知识获取技术、事件抽取方法、文本篇章结构分析等语义分析方法；并在此基础上尝试开展了智能问答等基于知识的自然语言理解应用任务。项目组以深度学习、概率图模型方法及优化方法为基本技术手段，提出了一系列面向非结构化文本资源的知识获取方法，分别从弱监督学习训练范式、训练噪声数据建模、知识约束联合优化、知识融合、知识更新、逻辑规则嵌入等不同方面对大规模知识获取技术进行研究，并成功应用于大规模开放域中文百科知识网络构建中。基于本项目研究成果，课题组将中文百科知识图谱PKUBase的知识规模扩大了4倍。在此基础上，课题组设计实现了基于知识的自然语言分析与理解技术，将其应用于知识问答、长文本理解等任务上，也取得了较好的研究成果。在本项目的支持下，课题组共发表高水平论文20 篇，其中17篇发表在自然语言处理、人工智能领域的重要国际会议上（包括 ACL、EMNLP、NAACL、AIJ等），申请国家专利 4 项。