基于新闻事件片段的时序关系识别方法

doi:10.11959/j.issn.2096-109x.2017.00171

网络与信息安全学报 ›› 2017, Vol. 3 ›› Issue (6): 33-41.doi: 10.11959/j.issn.2096-109x.2017.00171

基于新闻事件片段的时序关系识别方法

李英俊,张宏莉,王星

哈尔滨工业大学计算机科学与技术学院，黑龙江哈尔滨 150001

修回日期:2017-05-10 出版日期:2017-06-01 发布日期:2017-06-21
作者简介:李英俊（1991-），男，黑龙江大庆人，哈尔滨工业大学硕士生，主要研究方向为网络舆情、网络安全。|张宏莉（1973-），女，吉林榆树人，博士，哈尔滨工业大学教授、博士生导师，主要研究方向为网络与信息安全、网络测量与建模、网络计算、并行处理等。|王星（1981-），男，黑龙江哈尔滨人，博士，哈尔滨工业大学助理研究员，主要研究方向为信息安全、网络舆情、知识迁移等。
基金资助:
国家自然科学基金资助项目(61402137);国家重点基础研究发展计划（“973”计划）基金资助项目(2013CB329602)

Temporal relation recognition method based on news event fragments

Ying-jun LI,Hong-li ZHANG,Xing WANG

School of Computer Science and Technology,Harbin Institute of Technology,Harbin 150001,China

Revised:2017-05-10 Online:2017-06-01 Published:2017-06-21
Supported by:
The National Natural Science Foundation of China(61402137);The National Basic Research Program of China (973 Program)(2013CB329602)

摘要/Abstract

摘要：

针对新闻文本，将事件片段定义为最小划分单元，提出了一个两阶段的事件片段时序关系识别算法，第一阶段时序映射和第二阶段时序识别。使用真实网上新闻数据进行实验，结果表明，所提方法相比普通的分类器及强规则算法，准确率提高了4%。

关键词: 事件片段, 时序映射, 时序关系识别, 全局优化

Abstract:

Event fragments as the smallestr unit was defined and a two-stage event fragments temporal relation recognition algorithm was proposed.The first stage is sequential mapping and the second is sequence recognition.The real online data increased accuracy by 4% compared to common classifier and strong rule algorithm.

Key words: event fragments, sequential mapping, temporal relation reconition, global optimization

中图分类号:

TP393

李英俊,张宏莉,王星. 基于新闻事件片段的时序关系识别方法[J]. 网络与信息安全学报, 2017, 3(6): 33-41.

Ying-jun LI,Hong-li ZHANG,Xing WANG. Temporal relation recognition method based on news event fragments[J]. Chinese Journal of Network and Information Security, 2017, 3(6): 33-41.

图/表 9

表1

图1

表2

图2

表3

表4

表5

表6

图3

参考文献 27

[6]	WEBBER B L . Tense as discourse anaphor[J]. Computational Linguistics, 1988,14(2): 61-73.
[7]	LASCARIDES A , ASHER N . Temporal interpretation,discourse relations and commonsense entailment[J]. Linguistics and Philosophy, 1993,16(5): 437-93.
[8]	HITZEMAN J , MOENS M , GROVER C ,et al. Algorithms for analysing the temporal structure of discourse[C]// The Seventh Conference on European Chapter of the Association for Computational Linguistics. 1995.
[9]	KEHLER A , . Resolving temporal relations using tense meaning and discourse interpretation[C]// Formalizing the Dynamics of Information. 2000.
[10]	CHKLOVSKI T , PANTEL P . Global path-based refinement of noisy graphs applied to verb semantics[C]// The International Conference on Natural Language Processing. 2005: 792-803.
[11]	SAURí R , LITTMAN J , GAIZAUSKAS R ,et al. TimeML annotation guidelines,version 1.2.1[C]// Event London. 2006.
[12]	PUSTEJOVSKY J , HANKS P , SAURI R ,et al. The timebank corpus[C]// Conference on Corpus linguistics. 2003.
[13]	MANI I , VERHAGEN M , WELLNER B ,et al. Machine learning of temporal relations[C]// The 21st International Conference on Computational Linguistics and the 44th Annual Meeting of the Association for Computational Linguistics. 2006: 753-760.
[14]	CHAMBERS N , WANG S , JURAFSKY D . Classifying temporal relations between events[C]// The 45th Annual Meeting of the ACL on Interactive Poster and Demonstration Sessions. 2007: 173-176.
[15]	BETHARD S , MARTIN J H . CU-TMP:Temporal relation classification using syntactic and semantic features[C]// The 4th International Workshop on Semantic Evaluations. 2007: 129-132.
[16]	D'SOUZA J , NG V . Classifying temporal relations with rich linguistic knowledge[C]// HLT-NAACL. 2013.
[17]	MIRZA P , TONELLI S . Classifying temporal relations with simple features[C]// EACL. 2014.
[18]	LI W , WONG K F , CAO G ,et al. Applying machine learning to Chinese temporal relation resolution[C]// The 42nd Annual Meeting on Association For Computational Linguistics. 2004: 582-588.
[19]	CHENG Y , ASAHARA M , MATSUMOTO Y . Constructing a temporal relation tagged corpus of Chinese based on dependency structure analysis[C]// The 14th International Symposium on Temporal Representation and Reasoning. 2007: 59-69.
[20]	王风娥, 谭红叶, 钱揖丽 . 基于最大熵的句内时间关系识别[J]. 计算机工程, 2012,38(04): 37-9.
	WANG F E , TAN H Y , QIAN Y L . Recognition of temporal relation in one sentence based on maximum entropy[J]. Computer Engineering, 2012,38(4): 37-9.
[21]	CHAMBERS N , JURAFSKY D . Jointly combining implicit constraints improves temporal ordering[C]// The Conference on Empirical Methods in Natural Language Processing. 2008: 698-706.
[22]	DENIS P , MULLER P . Predicting globally-coherent temporal structures from texts via endpoint inference and graph decomposition[C]// IJCAI-11-International Joint Conference on Artificial Intelligence. 2011: 1788-1793.
[23]	DO Q X , LU W , ROTH D . Joint inference for event timeline construction[C]// The Joint Conference on Empirical Methods in Natural Language Processing and Computational Natural Language Learning. 2012: 677-687.
[24]	NG J P , KAN M Y , LIN Z ,et al. Exploiting discourse analysis for article-wide temporal classification[J]. Annt Journal, 2013,11(2): 9-26.
[1]	郑新, 李培峰, 朱巧明 ,等. 中文事件时序关系的标注和分类方法[J]. 计算机科学, 2015,42(7): 276-279.
	ZHENG X , LI P F , ZHU Q M ,et al. Annotation and classification of temporal relation between chinese events[J]. Computer Science, 2015,42(7): 276-279.
[25]	YOSHIKAWA K , RIEDEL S , ASAHARA M . Jointly identifying temporal relations with markov logic[C]// The Joint Conference of the 47th Annual Meeting of the ACL and the 4th International Joint Conference on Natural Language . 2009: 9-16.
[26]	YOSHIKAWA K , ASAHARA M , IIDA R ,et al. Identifying temporal relations by sentence and document optimizations joint inference for event timeline construction[C]// Association for Computational Linguistics. 2012: 677-687.
[2]	庞黎多 . 基于时间片段的时间关系识别系统的设计与实现[D]. 太原:山西大学, 2014.
	PANG L D . System of temporal relation based on temporal segmentation[D]. Taiyuan:Shanxi University, 2014.
[3]	ALLEN J F . Maintaining knowledge about temporal intervals[J]. Communications of the ACM, 1983,26(11): 832-843.
[4]	ALLEN J F . Towards a general theory of action and time[J]. Artificial Intelligence, 1984,23(2): 123-154.
[5]	PASSONNEAU R J . A computational model of the semantics of tense and aspect[J]. Computational Linguistics, 1988,14(2): 44-60.
[27]	CHANG Y , TANG J , YIN D ,et al. Timeline Summarization from social media with life cycle models[C]// The Twenty-Fifth International Joint Conference on Artificial Intelligence (IJCAI-16). 2016.

序号	例句
例1	……「今天，由中国贸易促进会广东分会与香港中华总商会联合主办的“九六税改及进口原料台账制执行实务研讨会在广州举行，向客商介绍「今年国家将实行的外经贸三大政策调整。」」……
例2	近年来，江苏省在对外开放中下大力气进一步改善投资环境，获得重大进展，增强了对外商投资的吸引力
例3	美、英、法三国的士兵也将于9月初最后撤离柏林。德国领土上存在占领军的状态行将结束

关系	描述
Before	tsi先于tsj发生
After	tsi后于tsj发生
Overlap	tsi和tsj的发生持续时间有交叉
Include	tsi的发生持续时间区间包含tsj
Simultaneous	tsi和tsj同时发生
None	tsi和tsj时序关系未知

特征编号	描述
①	2个句子之间是否存在时间词，存在：exist_t = 1；不存在：exist_t = 0
②	2个句子之间是否存在转折词，存在：exist_tr = 1；不存在：exist_tr = 0
③	2个句子中间间隔句子数，句子数：num
④	2个句子是否有时间功能词连接，存在：exist_f = 1；不存在：exist_f = 0
⑤	2个句子先后顺序，先于：order = b 后于：order = a

特征类别	具体特征
语义特征	2个事件片段核心词的语义相似度，用sim表示
	2个事件片段核心词是否为同义，用if_syn表示
	时间区间是否是DCT，用if_dct表示
特殊词	时间区间先后顺序，用order_t表示
	时间区间时态信息先后，用order_tense
	2个事件片段之间是否存在连接词，用if_conj表示
上下文信息	2 个事件片段在文中出现的先后顺序，用 order_a表示
	2个事件片段是否在同一个句子中，用if_in表示
	2个事件片段间隔的句子数目，用num表示

特殊词	时间区间
春节	过年的7天
五四	5月4日
六一	6月1日
圣诞节	12月24日至12月26日
国庆节	10月1日至10月7日

基于新闻事件片段的时序关系识别方法

Temporal relation recognition method based on news event fragments

在线阅读

pdf下载

可视化

摘要/Abstract

引用本文

使用本文

图/表 9

参考文献 27

相关文章 15

Metrics

推荐阅读 0

方法	P	R	F1
方法一	72.2%	72.34%	72.27%
方法二	73.31%	73.41%	73.36%
方法三	74.19%	74.32%	74.25%
本文方法	79.76%	80.01%	79.88%

[1]	陈先意, 顾军, 颜凯, 江栋, 许林峰, 付章杰. 针对车牌识别系统的双重对抗攻击[J]. 网络与信息安全学报, 2023, 9(3): 16-27.
[2]	叶天鹏, 林祥, 李建华, 张轩凯, 许力文. 面向雾计算的个性化轻量级分布式网络入侵检测系统[J]. 网络与信息安全学报, 2023, 9(3): 28-37.
[3]	祖立军, 曹雅琳, 门小骅, 吕智慧, 叶家炜, 李泓一, 张亮. 基于隐私风险评估的脱敏算法自适应方法[J]. 网络与信息安全学报, 2023, 9(3): 49-59.
[4]	夏锐琪, 李曼曼, 陈少真. 基于机器学习的分组密码结构识别[J]. 网络与信息安全学报, 2023, 9(3): 79-89.
[5]	袁静怡, 李子川, 彭国军. EN-Bypass：针对邮件代发提醒机制的安全评估方法[J]. 网络与信息安全学报, 2023, 9(3): 90-101.
[6]	余锋, 林庆新, 林晖, 汪晓丁. 基于生成对抗网络的隐私增强联邦学习方案[J]. 网络与信息安全学报, 2023, 9(3): 113-122.
[7]	朱春陶, 尹承禧, 张博林, 殷琪林, 卢伟. 基于多域时序特征挖掘的伪造人脸检测方法[J]. 网络与信息安全学报, 2023, 9(3): 123-134.
[8]	李晓萌, 郭玳豆, 卓训方, 姚恒, 秦川. 载体独立的抗屏摄信息膜叠加水印算法[J]. 网络与信息安全学报, 2023, 9(3): 135-149.
[9]	蔡召, 荆涛, 任爽. 以太坊钓鱼诈骗检测技术综述[J]. 网络与信息安全学报, 2023, 9(2): 21-32.
[10]	潘雁, 林伟, 祝跃飞. 渐进式的协议状态机主动推断方法[J]. 网络与信息安全学报, 2023, 9(2): 81-93.
[11]	杨盼, 康绯, 舒辉, 黄宇垚, 吕小少. 基于函数摘要的二进制程序污点分析优化方法[J]. 网络与信息安全学报, 2023, 9(2): 115-131.
[12]	肖天, 江智昊, 唐鹏, 黄征, 郭捷, 邱卫东. 基于深度强化学习的高性能导向性模糊测试方案[J]. 网络与信息安全学报, 2023, 9(2): 132-142.
[13]	袁承昊, 李勇, 任爽. 多关键词动态可搜索加密方案[J]. 网络与信息安全学报, 2023, 9(2): 143-153.
[14]	侯泽洲, 任炯炯, 陈少真. 基于神经网络区分器的SIMON-like算法参数安全性评估[J]. 网络与信息安全学报, 2023, 9(2): 154-163.
[15]	郭学镜, 方毅翔, 赵怡, 张天助, 曾文超, 王俊祥. 基于传统引导机制的深度鲁棒水印算法[J]. 网络与信息安全学报, 2023, 9(2): 175-183.