第3期 汪沛，等：一种结合词向量和图模型的特定领域实体消歧方法 ·373. 验证。 体与之对应，即所有的候选实体可能并不是目标实 3.3实验结果与分析 体，而判断空实体时只考虑了在知识库中是否存在， 实验1本文就两种相似度计算方法的权重值 不存在则返回NL,如果存在，本文的方法是取相似 α的确定采用了一种自动调优的方法，我们的问题 度均值最大的候选实体，这就不可避免地增加了系 可以简化为C=a·A+(1-α)·B,要使实验效果相 统的误差。 对较好就是要使关键词之间的相似度值差异较大， 实验3针对以上这种空实体，本文通过大量 即使C的方差达到最大值，这时问题又可以简化为 的实验，针对不同的关键词个数分别对其空实体阈 求使得C方差最大时α的值。先给定α一个初始 值入进行调优，最终结果如表3所示。 值0.5，由于基于图的方法在本文中只是起到辅助 表3调优后的空实体阈值入 作用，所以将α每次增加0.05，记录取每个不同α Table 3 The empty entity threshold A after optimized 值的情况下C的方差值，实验结果如图4所示。 关键词个数n 空实体阈值入 准确率/% 5 0.1436 90.31 0.40 0.3666 0.35 0.2903 6 0.1193 86.75 0.30 0.2217 0.2581 。025 7 0.1107 92.27 0.1964 8020 0.1625 8 0.0988 83.57 0.15 0.1549 0.10 0.1003 9 0.0825 77.63 0.05 0.0326 0.0124 10 0.0611 71.98 0.500.550.600.650.700.750.800.850.900.95 a的值 在加入空实体阈值入后，系统准确率在关键词 个数为5、6、7、8时都有不同程度的提高，在9、10时 图4不同值时对应的样本方差 反而出现下降的趋势。经过分析发现，准确率的提 Fig.4 The sample variance of different a values 升程度随着关键词的增多而下降，这是因为关键词 根据实验结果可以得出，当α的值取0.7时，相 的权重是逐渐递减的，个数的增加会使相似度均值 似度样本的方差达到最大值0.3666，说明此时关键 发生不同程度的下降，这会对空实体阈值入的确定 词之间的相似度分布最为稀疏，相似度值差异最大。 造成一定影响，在判断空实体的时候容易将相似度 实验2本文就关键词个数n的确定做了6组 均值较低的目标实体判断为空实体，这就反而降低 实验，分别测试n在取5、6、7、8、9、10时对消歧准确 了系统的准确率。实验结果如图6所示。 率的影响，实验结果如图5所示。 95 号 90 +未加 90.08 ·加入1 90 84.26 0 82.45 0 81.35 79.51 70 心 75.18 6 78910 关键词个数n 70 5 6 7 8910 图6加入空实体阔值后的结果比较 关健词个数n Fig.6 Comparison with the result after adding an emp- ty entity threshold 图5不同关键词个数时系统准确率 实验结果表明，在关键词个数取7，并且加入空 Fig.5 Accuracy of different number of keywords 实体阈值判断后，系统达到了最大的准确率 根据实验结果发现，针对本文的测试集和知识 92.27%,这说明本文提出的方法能够在中文旅游领 库，将关键词个数n定为7的时候准确率达到最大 域实现较为理想的消歧结果，在与现有的主流消歧 值90.08%。但是考虑到该知识库其实并不完备，并 方法的对比中，优势较为明显。 非所有的实体指称项在知识库中都有相应的目标实验证。 ３．３ 实验结果与分析 实验 １ 本文就两种相似度计算方法的权重值 α 的确定采用了一种自动调优的方法，我们的问题 可以简化为 Ｃ＝α·Ａ＋（１－α）·Ｂ，要使实验效果相 对较好就是要使关键词之间的相似度值差异较大， 即使 Ｃ 的方差达到最大值，这时问题又可以简化为 求使得 Ｃ 方差最大时 α 的值。 先给定 α 一个初始 值 ０．５ ，由于基于图的方法在本文中只是起到辅助 作用，所以将 α 每次增加 ０．０５，记录取每个不同 α 值的情况下 Ｃ 的方差值，实验结果如图 ４ 所示。 图 ４ 不同 α 值时对应的样本方差 Ｆｉｇ．４ Ｔｈｅ ｓａｍｐｌｅ ｖａｒｉａｎｃｅ ｏｆ ｄｉｆｆｅｒｅｎｔ α ｖａｌｕｅｓ 根据实验结果可以得出，当 α 的值取 ０．７ 时，相 似度样本的方差达到最大值 ０．３６６ ６，说明此时关键 词之间的相似度分布最为稀疏，相似度值差异最大。 实验 ２ 本文就关键词个数 ｎ 的确定做了 ６ 组 实验，分别测试 ｎ 在取 ５、６、７、８、９、１０ 时对消歧准确 率的影响，实验结果如图 ５ 所示。 图 ５ 不同关键词个数时系统准确率 Ｆｉｇ．５ Ａｃｃｕｒａｃｙ ｏｆ ｄｉｆｆｅｒｅｎｔ ｎｕｍｂｅｒ ｏｆ ｋｅｙｗｏｒｄｓ 根据实验结果发现，针对本文的测试集和知识 库，将关键词个数 ｎ 定为 ７ 的时候准确率达到最大 值 ９０．０８％。 但是考虑到该知识库其实并不完备，并 非所有的实体指称项在知识库中都有相应的目标实 体与之对应，即所有的候选实体可能并不是目标实 体，而判断空实体时只考虑了在知识库中是否存在， 不存在则返回 ＮＩＬ，如果存在，本文的方法是取相似 度均值最大的候选实体，这就不可避免地增加了系 统的误差。 实验 ３ 针对以上这种空实体，本文通过大量 的实验，针对不同的关键词个数分别对其空实体阈 值 λ 进行调优，最终结果如表 ３ 所示。 表 ３ 调优后的空实体阈值 λ Ｔａｂｌｅ ３ Ｔｈｅ ｅｍｐｔｙ ｅｎｔｉｔｙ ｔｈｒｅｓｈｏｌｄ λ ａｆｔｅｒ ｏｐｔｉｍｉｚｅｄ 关键词个数 ｎ 空实体阈值 λ 准确率／ ％ ５ ０．１４３ ６ ９０．３１ ６ ０．１１９ ３ ８６．７５ ７ ０．１１０ ７ ９２．２７ ８ ０．０９８ ８ ８３．５７ ９ ０．０８２ ５ ７７．６３ １０ ０．０６１ １ ７１．９８ 在加入空实体阈值 λ 后，系统准确率在关键词 个数为 ５、６、７、８ 时都有不同程度的提高，在 ９、１０ 时 反而出现下降的趋势。 经过分析发现，准确率的提 升程度随着关键词的增多而下降，这是因为关键词 的权重是逐渐递减的，个数的增加会使相似度均值 发生不同程度的下降，这会对空实体阈值 λ 的确定 造成一定影响，在判断空实体的时候容易将相似度 均值较低的目标实体判断为空实体，这就反而降低 了系统的准确率。 实验结果如图 ６ 所示。 图 ６ 加入空实体阈值后的结果比较 Ｆｉｇ．６ Ｃｏｍｐａｒｉｓｏｎ ｗｉｔｈ ｔｈｅ ｒｅｓｕｌｔ ａｆｔｅｒ ａｄｄｉｎｇ ａｎ ｅｍｐ⁃ ｔｙ ｅｎｔｉｔｙ ｔｈｒｅｓｈｏｌｄ 实验结果表明，在关键词个数取 ７，并且加入空 实体 阈 值 判 断 后， 系 统 达 到 了 最 大 的 准 确 率 ９２．２７％，这说明本文提出的方法能够在中文旅游领 域实现较为理想的消歧结果，在与现有的主流消歧 方法的对比中，优势较为明显。 第 ３ 期 汪沛，等：一种结合词向量和图模型的特定领域实体消歧方法 ·３７３·