基于依存关系的空间关系抽取算法

0.引入

空间关系是指存在于实体之间的具有空间特征的关系，如方位关系、距离关系、拓扑关系、层次关系等。空间关系在自然语言描述中一般具有三个部分或者两个层次。三个部分是从认知学的角度出发的将其分为射体、界标和方位词，其中:

1. 射体是空间关系中的主体成分。
2. 方位词是用来描述实体之间的空间方向和位置关系的，通常与其前面的名词构成句子中的处所格。
3. 界标则为射体的方位提供了参照物依据。

例如S1：杯子在桌子上。S1 中包含空间表达式（在，上，桌子）。 
则杯子为射体，桌子为界标，上为方位词。

获取空间关系就需要找出句子中的空间表达式。首先要对原始语料进行预处理。然后抽取其中的空间关系。

1.语料预处理

1.1. 获得句子分词后的依存关系

基于哈工大的自然语言处理技术，使用它的API对句子进行分词，并得到它的依存关系。 
用户通过指定API参数来获取对应的结果，语言云服务的API参数集链接如下： 
http://www.ltp-cloud.com/document/ 
在语言云中，所有的API访问都是通过HTTP请求的方式。并且需要从api.ltp-cloud.com域进行访问。语言云只支持GET和POST方式的HTTP请求。用户通过在HTTP请求中指定参数来获取对应的结果。 
举个例子，对“房顶上落着一只小鸟”这句话做依存句法分析。 
这句话的依存关系的句子视图如下： 

 
图1-1例句的依存关系

返回xml格式的结果。GET请求及返回结果示例： 
GET http ://api.ltp-cloud.com/analysis/?api_key=U1H0S1Z1CkcUtrLouJvyHVNSOWkY9ycmAVahcduW&text=房顶上落着一只小鸟&pattern=all&format=xml 

 
图1-2 例句的xml标准结果

1. 这句话的XML标准结果如下：结点标签分别为 xml4nlp, note, doc, para, sent, word,arg 共七种结点标签： 
   1、xml4nlp 为根结点，无任何属性值； 
   2、note 为标记结点，具有的属性分别为：sent, word, pos, ne, parser, srl；分别代表分句，分词，词性标注，命名实体识别，依存句法分析，词义消歧，语义角色标注；值为”n”，表明未做，值为”y”则表示完成，如pos=”y”，表示已经完成了词性标注； 
   3、doc 为篇章结点，以段落为单位包含文本内容；无任何属性值； 
   4、para 为段落结点，需含id 属性，其值从0 开始； 
   5、sent 为句子结点，需含属性为id，cont；id 为段落中句子序号，其值从0 开始；cont 为句子内容； 
   6、word 为分词结点，需含属性为id, cont；id 为句子中的词的序号，其值从0 开始，cont为分词内容；可选属性为 pos, ne, parent, relate , semparent,semrelate；pos 的内容为词性标注内容；ne 为命名实体内容；parent 与 relate 成对出现，parent 为依存句法分析的父亲结点id 号，relate 为相对应的关系；semparent 与 semrelate 成对出现，semparent 为语义依存分析的父亲结点id 号，semrelate 为相对应的关系； 
   7、arg 为语义角色信息结点，任何一个谓词都会带有若干个该结点；其属性为id, type, beg，end；id 为序号，从0 开始；type 代表角色名称；beg 为开始的词序号，end 为结束的序号； 
   各结点及属性的逻辑关系说明如下： 
   
   1. 1、各结点层次关系可以从图中清楚获得，凡带有id 属性的结点是可以包含多个； 
      2、如果sent=”n”即未完成分句，则不应包含sent 及其下结点； 
      3、如果sent=”y” word=”n”即完成分句，未完成分词，则不应包含word 及其下结点； 
      4、其它情况均是在sent=”y” word=”y”的情况下： 
      
      1. （1）如果 pos=”y” 则分词结点中必须包含pos 属性； 
         （2）如果 ne=”y” 则分词结点中必须包含ne 属性； 
         （3）如果 parser=”y” 则分词结点中必须包含parent 及relate 属性； 
         （4）如果 semparser=”y” 则分词结点中必须包含semparent 及semrelate 属性； 
         （5）如果 srl=”y” 则凡是谓词(predicate)的分词会包含若干个arg 结点； 
         在XML格式的分析中，用户可以通过指定参数pattern=ws | pos | ner | dp | sdp | srl | all 来指名分析任务并获取对应的XML结果。

1.2. 把依存关系保存为XML文件

将依存关系以XML格式的字符串的形式把保存到XML文件。 
例“房顶上落着一只小鸟”这句话的依存关系的XML格式如图所示： 

图 1-3 例句依存关系的XML

1.3解析XML文件获得每个词的属性

使用dom4j解析XML文件，获得节点下各属性值（如上图红框内所示）。创建一个实体类Word，成员变量对应着XML文件中节点的各属性。把解析得到的每个词的属性值作为Word实例保存到一个List里面。 

 
图 1-4 节点属性

2.空间关系三元组抽取

通过语料预处理得到的一个短句中所有词的词性、依存关系和句子的句法结构等信息，根据这些信息再加上我们的认知常识来识别出空间关系三元组。 
先根据一个短句中的方位词个数来确定短句中至少有多少个三元组，之后对于每一个方位词，去确定其界标和射体，如果存在多个射体，那么复制方位词和界标，增添三元组的数量。 
例:“小明和奥巴马在屋子后面的桥上钓鱼。” 

 
图2- 1例句的句法分析和词性标注 
 
图2-2 例句的句法分析树

如上图，例句中识别出的方位词为“后面”和“上”，方位词的个数为2，则可确定至少有两个三元组，根据依存关系为ATT（定中关系）的方位词的子节点，确定界标分别为“屋子”和“桥”，之后再根据方位词来找到三元组中的射体（具体的方法下面做介绍），因为有一个三元组的射体为“小明”和“奥巴马”，所以要将“小明”的界标和方位词复制给“奥巴马”，然后将新的三元组增添到结果三元组列表中。

2.1方位词的识别

通过遍历一个短句中所有的词，找出其中词性为“nd”(direction noun)的词来作为方位词。 
哈工大的语言技术平台的分词系统中有一百余种固定的方位词，比如“东北面”、“前后”等，所以短句中方位词的识别比较精确，不会存在方位词分开识别的情况。 

 
图2-3方位词识别

2.2界标的识别

将2.1中识别出的方位词添加到相应的三元组中，对于当前的每一个三元组，根据其中的方位词去识别界标，经过大量考察例句，在句法分析树中，界标是方位词的子节点，界标的依存关系是ATT(定中关系)，根据这样的规则，识别出相应三元组中的界标。 
例“房顶上落着一只小鸟”这句话的依存关系如图 3-2 所示： 

 
图 2-4 依存关系和词性标注

例“他站在房子前”这句话的依存关系如图 3-3 所示： 

 
图 2-5 依存关系和词性标注

当依存关系ATT中方位词的直接依存对象不是界标的时候，比如“大象的背上有一只蚂蚁” 

 
图2-6依存关系和词性标注

在上图可以看到依存关系ATT（上—>背）、（背—>大象），此时方位词“上”的直接依存对象并不是界标，但是“背”的直接依存对象是界标。，从它的义原得知“背”是部件，因此不能作为界标，确定大象是界标。 
界标识别算法如下： 

1. ① 确定方位词子节点的依存关系 ATT。 
   ② 在方位词依存关系 ATT 中得到方位词的直接依存对象 X1。 
   ③ 查找 X1 是否为部件，如果不是转(4)，否则转(5) 
   ④ 确定X1为界标。结束。 
   ⑤ 得到X1的依存关系ATT，从依存关系ATT的到X1的直接依存对象X2，更新 X1的值为X2。转③。

2.3射体识别

2.3.1简单射体识别

根据短句中方位词的重要性来对方位词进行分类，与句法分析树的根节点直接相关的方位词可以视为主要方位词；相对的，远离根节点且方位词的依存关系为ATT的方位词可以视为次要方位词。 
如下图，例子“小明和奥巴马在屋子后面的桥上钓鱼。”中，三元组为（小明，桥，上）、（奥巴马，桥，上）、（桥，屋子，后面），其中“上”是主要方位词，“后面”是次要方位词。下面就根据方位词的分类来对相应的射体进行识别。 

(1)方位词是主要方位词。 
当方位词是主要方位词的时候，父节点的依存关系是HED(核心关系)或者父节点的父节点（或者更多）的依存关系为HED，如图3-9中的例子，“上”的父节点的父节点的依存关系是HED。 
从方位词开始一层一层地向上获取节点，直到获取到依存关系为HED的节点，然后遍历找出该节点子节点中词性为名词“n”（或包含“n”）和代词“r”的节点。在上面的例子中就可以找到上的射体“小明”。 

 
图2-8句法分析树

例“屋子前的桌子上有一个水杯”其中主要方位词“上”的射体是“水杯”。这句话的依存关系和句法分析树如图 2-8、2-9 所示： 

 
2-9依存关系 
 
图2-10句法分析树

(2) 方位词是次要方位词。 
当方位词是次要方位词的时候，方位词的依存关系是ATT(定中关系)，且直接依存的对象是名词“n”(或者包含“n”的词性，比如“小明”“nh”)或者代词“r”时，可以判定这个词就是次要方位词的射体。 
例子“小明和奥巴马在屋子后面的桥上钓鱼。”中，次要方位词“后面”的依存关系为ATT,直接依存的对象是“桥”词性“n”,符合上面的要求，所以“桥”就是“后面”的射体。 

简单射体识别算法如下： 

1. ① 判断方位词是否为次要方位词(依存关系是否为ATT)，如果是，转②，否则转③。 
   ② 验证父节点是否为名词或代词，如果是，那么确定射体，否则返回空值。 
   ③ 将方位词作为当前词，判断当前词的父节点的依存关系是否为HED，如果不是，将当前词的父节点覆盖当前词，再作判断，直到满足当前词的父节点的依存关系是HED的情况。 
   ④ 遍历句法树，抽取父节点与当前词的父节点相同的词，并验证其词性是否为名词或者代词，如果是，那么确定射体，否则，返回空值。

2.3.2复杂射体识别

当一个短句中存在多个并列的射体时，如例子“小明和奥巴马在屋子后面的桥上钓鱼。”通过2.3.1的方法我们只能识别出两个三元组（小明，桥，上），（桥，屋子，后面），对于跟“小明”并列的射体“奥巴马”并没有识别出来，所以就要在简单射体识别之后对并列的射体做处理，复制相应的界标和方位词，增添到结果三元组的列表中去。 

在上图中我们可以通过遍历句法树来抽取父节点为已确定射体，依存关系为COO的节点来作为新增三元组的射体，在复制父节点射体的三元组中的界标和方位词，增添到结果三元组列表中去。 
复杂射体识别算法如下： 

1. ① 简单射体识别。 
   ② 遍历句法树，抽取父节点是当前处理三元组中的射体的节点，验证其依存关系是否为“COO”。 
   ③ 复制当前处理三元组的界标和方位词到新的三元组，将该节点作为新的三元组中射体，并将新的三元组添加到结果三元组列表中。 
   ④ 返回结果三元组

注： 
1.语料预处理部分使用的是语言云API，链接为：http://www.ltp-cloud.com/document/ 
2.源码下载地址：https://github.com/CODERXIAOYE/Spatial-relation-extraction-based-on-the-dependency.git