.374. 智能系统学报 第11卷 表4与主流消歧方法的比较 of the 49th Annual Meeting of the Association for Computa- Table 4 Comparison with other mainstream method of dis- tional Linguistics:Human Language Technologies-Volume ambiguation 1.Stroudsburg,PA,USA,2011:945-954. 方法名 准确率 [7]FAN Xiaoming,WANG Jianyong,PU Xu,et al.On graph- based name disambiguation[].Journal of data and informa- Wikify 0.60 tion quality (JDIQ),2011,2(2):10. Cucerzan 0.71 [8]怀宝兴，宝腾飞，祝恒书，等。一种基于概率主题模型 M&W 0.83 的命名实体链接方法[J].软件学报，2014,25(9)： CSAW 0.87 2076-2087. HUAI Baoxing,BAO Tengfei,ZHU Hengshu,et al.Topic 本文方法 0.92 modeling approach to named entity linking[].Journal of 4 结束语 software,2014,25(9):2076-2087. [9]宁博，张菲菲.基于异构知识库的命名实体消歧[J刀].西 本文针对特定领域消歧的特点，提出了一种结 安邮电大学学报，2014,19(4)：70-76. 合词向量与图模型计算的方法，实现了特定领域实 NING Bo,ZHANG Feifei.Named entity disambiguation 体消歧。试验结果表明，相比已有的消歧方法，本文 based on heterogeneous knowledge base[J].Journal of Xi' 提出的方法能在特定领域实体消歧上取得较为理想 an university of posts and telecommunications,2014,19 (4):70-76. 的结果。下一步的工作在关键词个数的选择方面将 [10]朱敏，贾真，左玲，等.中文微博实体链接研究[J].北 考虑根据词的权重动态来选择：另外对于空实体的 京大学学报：自然科学版，2014,50(1)：73-78. 判断方法还有待改进。本文实验结果也将应用到其 ZHU Min,JIA Zhen,ZUO Ling,et al.Research on entity 他特定领域实验验证。 linking of chinese micro blog[J].Acta scientiarum natural- 参考文献 ium universitatis pekinensis,2014,50(1):73-78. [11]HINTON G E.Learning distributed representations of con- []赵军.命名实体识别、排歧和跨语言关联[J].中文信息 cepts[C]//Proceedings of the 8th annual conference of the 学报，2009,23(2)：3-17. cognitive science society.Amherst,USA,1986:1-12. ZHAO Jun.A survey on named entity recognition,disambig- [12]张剑，屈丹，李真.基于词向量特征的循环神经网络语 uation and cross-lingual coreference resolution[J].Journal 言模型[J].模式识别与人工智能，2015,28(4)：299- of Chinese information processing,2009,23(2):3-17. 305. [2]赵军，刘康，周光有，等.开放式文本信息抽取[J].中 ZHANG Jian,QU Dan,LI Zhen.Recurrent neural network 文信息学报，2011,25(6)：98-110. language model based on word vector features[J].Pattern ZHAO Jun,LIU Kang,ZHOU Guangyou,et al.Open infor- recognition and artificial intelligence,2015,28(4):299- mation extraction[J].Journal of Chinese information pro- 305. cessing,2011,25(6):98-110. [13]MIKOLOV T,CHEN Kai,CORRADO G,et al.Efficient [3]BUNESCU R C,PASCA M.Using encyelopedic knowledge estimation of word representations in vector space[C]// for named entity disambiguation[C]//Proceedings of the Proceedings of the International Conference on Learning 11st conference of the european chapter of the association for Representations.Scottsdale,Arizona,2013:1388-1429. computational linguistics.Trento,Italy,2006:9-16. [14]MIHALCEA R,TARAU P.TextRank:bringing order into [4]BAGGA A,BALDWIN B.Entity-based cross-document texts[C]//Proceedings of EMNLP-04and the 2004 Confer- coreferencing using the vector space model[C]//Proceed- ence on Empirical Methods in Natural Language Process- ings of the 17th international conference on computational ing.Spain,2004:404-411. linguistics-volume 1.association for computational linguis- [15]PEARSON K.The problem of the random walk J].Na- tics.Montreal,Canada,1998:79-85. ture,1905,72(1865):294. [5]MANN G S,YAROWSKY D.Unsupervised personal name [16]郑伟，王朝坤，刘璋，等.一种基于随机游走模型的多 disambiguation[C]//Proceedings of the 7th conference on 标签分类算法[J].计算机学报，2010,33(8)：1418- natural language learning at HLT-NAACL 2003-volume 4. 1426. Sapporo,Japan,2003:33-40. ZHENG Wei,WANG Chaokun,LIU Zhang,et al.A [6]HAN Xianpei,SUN Le.A generative entity-mention model multi-label classification algorithm based on random walk for linking entities with knowledge base [C]//Proceedings model[J].Chinese journal of computers,2010,33(8):表 ４ 与主流消歧方法的比较 Ｔａｂｌｅ ４ Ｃｏｍｐａｒｉｓｏｎ ｗｉｔｈ ｏｔｈｅｒ ｍａｉｎｓｔｒｅａｍ ｍｅｔｈｏｄ ｏｆ ｄｉｓ⁃ ａｍｂｉｇｕａｔｉｏｎ 方法名 准确率 Ｗｉｋｉｆｙ ０．６０ Ｃｕｃｅｒｚａｎ ０．７１ Ｍ＆Ｗ ０．８３ ＣＳＡＷ ０．８７ 本文方法 ０．９２ ４ 结束语 本文针对特定领域消歧的特点，提出了一种结 合词向量与图模型计算的方法，实现了特定领域实 体消歧。 试验结果表明，相比已有的消歧方法，本文 提出的方法能在特定领域实体消歧上取得较为理想 的结果。 下一步的工作在关键词个数的选择方面将 考虑根据词的权重动态来选择；另外对于空实体的 判断方法还有待改进。 本文实验结果也将应用到其 他特定领域实验验证。 参考文献： ［１］赵军． 命名实体识别、排歧和跨语言关联［ Ｊ］． 中文信息 学报， ２００９， ２３（２）： ３⁃１７． ＺＨＡＯ Ｊｕｎ． Ａ ｓｕｒｖｅｙ ｏｎ ｎａｍｅｄ ｅｎｔｉｔｙ ｒｅｃｏｇｎｉｔｉｏｎ， ｄｉｓａｍｂｉｇ⁃ ｕａｔｉｏｎ ａｎｄ ｃｒｏｓｓ⁃ｌｉｎｇｕａｌ ｃｏｒｅｆｅｒｅｎｃｅ ｒｅｓｏｌｕｔｉｏｎ［ Ｊ］． Ｊｏｕｒｎａｌ ｏｆ Ｃｈｉｎｅｓｅ ｉｎｆｏｒｍａｔｉｏｎ ｐｒｏｃｅｓｓｉｎｇ， ２００９， ２３（２）： ３⁃１７． ［２］赵军， 刘康， 周光有， 等． 开放式文本信息抽取［ Ｊ］． 中 文信息学报， ２０１１， ２５（６）： ９８⁃１１０． ＺＨＡＯ Ｊｕｎ， ＬＩＵ Ｋａｎｇ， ＺＨＯＵ Ｇｕａｎｇｙｏｕ， ｅｔ ａｌ． Ｏｐｅｎ ｉｎｆｏｒ⁃ ｍａｔｉｏｎ ｅｘｔｒａｃｔｉｏｎ ［ Ｊ］． Ｊｏｕｒｎａｌ ｏｆ Ｃｈｉｎｅｓｅ ｉｎｆｏｒｍａｔｉｏｎ ｐｒｏ⁃ ｃｅｓｓｉｎｇ， ２０１１， ２５（６）： ９８⁃１１０． ［３］ＢＵＮＥＳＣＵ Ｒ Ｃ， ＰＡＳＣＡ Ｍ． Ｕｓｉｎｇ ｅｎｃｙｃｌｏｐｅｄｉｃ ｋｎｏｗｌｅｄｇｅ ｆｏｒ ｎａｍｅｄ ｅｎｔｉｔｙ ｄｉｓａｍｂｉｇｕａｔｉｏｎ ［ Ｃ］ ／ ／ Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ １１ｓｔ ｃｏｎｆｅｒｅｎｃｅ ｏｆ ｔｈｅ ｅｕｒｏｐｅａｎ ｃｈａｐｔｅｒ ｏｆ ｔｈｅ ａｓｓｏｃｉａｔｉｏｎ ｆｏｒ ｃｏｍｐｕｔａｔｉｏｎａｌ ｌｉｎｇｕｉｓｔｉｃｓ． Ｔｒｅｎｔｏ， Ｉｔａｌｙ， ２００６： ９⁃１６． ［ ４ ］ ＢＡＧＧＡ Ａ， ＢＡＬＤＷＩＮ Ｂ． Ｅｎｔｉｔｙ⁃ｂａｓｅｄ ｃｒｏｓｓ⁃ｄｏｃｕｍｅｎｔ ｃｏｒｅｆｅｒｅｎｃｉｎｇ ｕｓｉｎｇ ｔｈｅ ｖｅｃｔｏｒ ｓｐａｃｅ ｍｏｄｅｌ［Ｃ］ ／ ／ Ｐｒｏｃｅｅｄ⁃ ｉｎｇｓ ｏｆ ｔｈｅ １７ｔｈ ｉｎｔｅｒｎａｔｉｏｎａｌ ｃｏｎｆｅｒｅｎｃｅ ｏｎ ｃｏｍｐｕｔａｔｉｏｎａｌ ｌｉｎｇｕｉｓｔｉｃｓ⁃ｖｏｌｕｍｅ １． ａｓｓｏｃｉａｔｉｏｎ ｆｏｒ ｃｏｍｐｕｔａｔｉｏｎａｌ ｌｉｎｇｕｉｓ⁃ ｔｉｃｓ． Ｍｏｎｔｒｅａｌ， Ｃａｎａｄａ， １９９８： ７９⁃８５． ［５］ＭＡＮＮ Ｇ Ｓ， ＹＡＲＯＷＳＫＹ Ｄ． Ｕｎｓｕｐｅｒｖｉｓｅｄ ｐｅｒｓｏｎａｌ ｎａｍｅ ｄｉｓａｍｂｉｇｕａｔｉｏｎ［Ｃ］ ／ ／ Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ ７ｔｈ ｃｏｎｆｅｒｅｎｃｅ ｏｎ ｎａｔｕｒａｌ ｌａｎｇｕａｇｅ ｌｅａｒｎｉｎｇ ａｔ ＨＬＴ⁃ＮＡＡＣＬ ２００３⁃ｖｏｌｕｍｅ ４． Ｓａｐｐｏｒｏ， Ｊａｐａｎ， ２００３： ３３⁃４０． ［６］ＨＡＮ Ｘｉａｎｐｅｉ， ＳＵＮ Ｌｅ． Ａ ｇｅｎｅｒａｔｉｖｅ ｅｎｔｉｔｙ⁃ｍｅｎｔｉｏｎ ｍｏｄｅｌ ｆｏｒ ｌｉｎｋｉｎｇ ｅｎｔｉｔｉｅｓ ｗｉｔｈ ｋｎｏｗｌｅｄｇｅ ｂａｓｅ ［ Ｃ］ ／ ／ Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ ４９ｔｈ Ａｎｎｕａｌ Ｍｅｅｔｉｎｇ ｏｆ ｔｈｅ Ａｓｓｏｃｉａｔｉｏｎ ｆｏｒ Ｃｏｍｐｕｔａ⁃ ｔｉｏｎａｌ Ｌｉｎｇｕｉｓｔｉｃｓ： Ｈｕｍａｎ Ｌａｎｇｕａｇｅ Ｔｅｃｈｎｏｌｏｇｉｅｓ⁃Ｖｏｌｕｍｅ １． Ｓｔｒｏｕｄｓｂｕｒｇ， ＰＡ， ＵＳＡ， ２０１１： ９４５⁃９５４． ［７］ＦＡＮ Ｘｉａｏｍｉｎｇ， ＷＡＮＧ Ｊｉａｎｙｏｎｇ， ＰＵ Ｘｕ， ｅｔ ａｌ． Ｏｎ ｇｒａｐｈ⁃ ｂａｓｅｄ ｎａｍｅ ｄｉｓａｍｂｉｇｕａｔｉｏｎ［Ｊ］． Ｊｏｕｒｎａｌ ｏｆ ｄａｔａ ａｎｄ ｉｎｆｏｒｍａ⁃ ｔｉｏｎ ｑｕａｌｉｔｙ （ＪＤＩＱ）， ２０１１， ２（２）： １０． ［８］怀宝兴， 宝腾飞， 祝恒书， 等． 一种基于概率主题模型 的命名实体链接方法［ Ｊ］． 软件学报， ２０１４， ２５ （ ９）： ２０７６⁃２０８７． ＨＵＡＩ Ｂａｏｘｉｎｇ， ＢＡＯ Ｔｅｎｇｆｅｉ， ＺＨＵ Ｈｅｎｇｓｈｕ， ｅｔ ａｌ． Ｔｏｐｉｃ ｍｏｄｅｌｉｎｇ ａｐｐｒｏａｃｈ ｔｏ ｎａｍｅｄ ｅｎｔｉｔｙ ｌｉｎｋｉｎｇ ［ Ｊ］． Ｊｏｕｒｎａｌ ｏｆ ｓｏｆｔｗａｒｅ， ２０１４， ２５（９）： ２０７６⁃２０８７． ［９］宁博， 张菲菲． 基于异构知识库的命名实体消歧［ Ｊ］． 西 安邮电大学学报， ２０１４， １９（４）： ７０⁃７６． ＮＩＮＧ Ｂｏ， ＺＨＡＮＧ Ｆｅｉｆｅｉ． Ｎａｍｅｄ ｅｎｔｉｔｙ ｄｉｓａｍｂｉｇｕａｔｉｏｎ ｂａｓｅｄ ｏｎ ｈｅｔｅｒｏｇｅｎｅｏｕｓ ｋｎｏｗｌｅｄｇｅ ｂａｓｅ［ Ｊ］． Ｊｏｕｒｎａｌ ｏｆ Ｘｉ’ ａｎ ｕｎｉｖｅｒｓｉｔｙ ｏｆ ｐｏｓｔｓ ａｎｄ ｔｅｌｅｃｏｍｍｕｎｉｃａｔｉｏｎｓ， ２０１４， １９ （４）： ７０⁃７６． ［１０］朱敏， 贾真， 左玲， 等． 中文微博实体链接研究［ Ｊ］． 北 京大学学报：自然科学版， ２０１４， ５０（１）： ７３⁃７８． ＺＨＵ Ｍｉｎ， ＪＩＡ Ｚｈｅｎ， ＺＵＯ Ｌｉｎｇ， ｅｔ ａｌ． Ｒｅｓｅａｒｃｈ ｏｎ ｅｎｔｉｔｙ ｌｉｎｋｉｎｇ ｏｆ ｃｈｉｎｅｓｅ ｍｉｃｒｏ ｂｌｏｇ［Ｊ］． Ａｃｔａ ｓｃｉｅｎｔｉａｒｕｍ ｎａｔｕｒａｌ⁃ ｉｕｍ ｕｎｉｖｅｒｓｉｔａｔｉｓ ｐｅｋｉｎｅｎｓｉｓ， ２０１４， ５０（１）： ７３⁃７８． ［１１］ＨＩＮＴＯＮ Ｇ Ｅ． Ｌｅａｒｎｉｎｇ ｄｉｓｔｒｉｂｕｔｅｄ ｒｅｐｒｅｓｅｎｔａｔｉｏｎｓ ｏｆ ｃｏｎ⁃ ｃｅｐｔｓ［Ｃ］ ／ ／ Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ ８ｔｈ ａｎｎｕａｌ ｃｏｎｆｅｒｅｎｃｅ ｏｆ ｔｈｅ ｃｏｇｎｉｔｉｖｅ ｓｃｉｅｎｃｅ ｓｏｃｉｅｔｙ． Ａｍｈｅｒｓｔ， ＵＳＡ， １９８６： １⁃１２． ［１２］张剑， 屈丹， 李真． 基于词向量特征的循环神经网络语 言模型［Ｊ］． 模式识别与人工智能， ２０１５， ２８（４）： ２９９⁃ ３０５． ＺＨＡＮＧ Ｊｉａｎ， ＱＵ Ｄａｎ， ＬＩ Ｚｈｅｎ． Ｒｅｃｕｒｒｅｎｔ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ ｌａｎｇｕａｇｅ ｍｏｄｅｌ ｂａｓｅｄ ｏｎ ｗｏｒｄ ｖｅｃｔｏｒ ｆｅａｔｕｒｅｓ［ Ｊ］． Ｐａｔｔｅｒｎ ｒｅｃｏｇｎｉｔｉｏｎ ａｎｄ ａｒｔｉｆｉｃｉａｌ ｉｎｔｅｌｌｉｇｅｎｃｅ， ２０１５， ２８（４）： ２９９⁃ ３０５． ［１３］ＭＩＫＯＬＯＶ Ｔ， ＣＨＥＮ Ｋａｉ， ＣＯＲＲＡＤＯ Ｇ， ｅｔ ａｌ． Ｅｆｆｉｃｉｅｎｔ ｅｓｔｉｍａｔｉｏｎ ｏｆ ｗｏｒｄ ｒｅｐｒｅｓｅｎｔａｔｉｏｎｓ ｉｎ ｖｅｃｔｏｒ ｓｐａｃｅ ［ Ｃ］ ／ ／ Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｌｅａｒｎｉｎｇ Ｒｅｐｒｅｓｅｎｔａｔｉｏｎｓ． Ｓｃｏｔｔｓｄａｌｅ， Ａｒｉｚｏｎａ， ２０１３： １３８８⁃１４２９． ［１４］ＭＩＨＡＬＣＥＡ Ｒ， ＴＡＲＡＵ Ｐ． ＴｅｘｔＲａｎｋ： ｂｒｉｎｇｉｎｇ ｏｒｄｅｒ ｉｎｔｏ ｔｅｘｔｓ［Ｃ］ ／ ／ Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ＥＭＮＬＰ⁃０４ａｎｄ ｔｈｅ ２００４ Ｃｏｎｆｅｒ⁃ ｅｎｃｅ ｏｎ Ｅｍｐｉｒｉｃａｌ Ｍｅｔｈｏｄｓ ｉｎ Ｎａｔｕｒａｌ Ｌａｎｇｕａｇｅ Ｐｒｏｃｅｓｓ⁃ ｉｎｇ． Ｓｐａｉｎ， ２００４： ４０４⁃４１１． ［１５］ ＰＥＡＲＳＯＮ Ｋ． Ｔｈｅ ｐｒｏｂｌｅｍ ｏｆ ｔｈｅ ｒａｎｄｏｍ ｗａｌｋ［ Ｊ］． Ｎａ⁃ ｔｕｒｅ， １９０５， ７２（１８６５）： ２９４． ［１６］郑伟， 王朝坤， 刘璋， 等． 一种基于随机游走模型的多 标签分类算法［ Ｊ］． 计算机学报， ２０１０， ３３（ ８）： １４１８⁃ １４２６． ＺＨＥＮＧ Ｗｅｉ， ＷＡＮＧ Ｃｈａｏｋｕｎ， ＬＩＵ Ｚｈａｎｇ， ｅｔ ａｌ． Ａ ｍｕｌｔｉ⁃ｌａｂｅｌ ｃｌａｓｓｉｆｉｃａｔｉｏｎ ａｌｇｏｒｉｔｈｍ ｂａｓｅｄ ｏｎ ｒａｎｄｏｍ ｗａｌｋ ｍｏｄｅｌ［ Ｊ］． Ｃｈｉｎｅｓｅ ｊｏｕｒｎａｌ ｏｆ ｃｏｍｐｕｔｅｒｓ， ２０１０， ３３（８）： ·３７４· 智 能 系 统 学 报 第 １１ 卷