目录
一、概述
相对于原来的bootstrap,表达方式由原来的三元组(实体1,规则,实体2),变成了五元组(左,实体1,中,实体2,右),每次循环增加了对规则的评估及过滤,以及对记录的准确率评估及过滤。
二、流程
在开始循环之前,仍然有seed tuple,一些准备好的正确记录。
1.生成规则模板
定义长度=2,那么就是选择实体左边的两个词+右边的两个词,把规则表示成五元组:
(左,实体1,中,实体2,右)
其中,左中右这三个部分,都是向量,可以使用one-hot,长度为词库长度。
①相似度计算
生成的模板可能有多种多样,我们需要通过相似度的计算,将相似度高的模板归为一类。计算过程中,如果实体类型不一样,那么相似度为0。
直接用内积即可,不需要除以模长,因为我们在用向量表示规则的时候,已经进行了一种归一化了,表示成了长度为1的向量。如下图。
相似度计算的时候,对“左中右”每一个部分增加一个权重,并保证权重之和为1,通常,中间的部分权重最大。
② 层次聚类
设定一个阈值,比如0.7,只要两个规则模板的相似度>0.7,就把这两个分为一类,这样可以将所有模板分成几大类,然后对聚类好的模板进行平均,生成新模板。
2.生成记录
对文本进行扫描,出现了两个实体之后,挨个去和已有的规则计算相似度,只要有一个大于相似度阈值,比如0.7,那么就把实体放进表格里。计算相似度方式和上面一样。
3.模板评估+过滤
由于我们在生成记录的时候,使用的是我们归类好的所有模板,因此,可以将所有模板生成的记录作为ground truth,看看如果只使用一个模板,在同样的文本里,只按照这个模板来扫描,生成记录。看看能生成多少,然后二者相除,即可得到该模板的分数。然后给模板分数设定一个阈值,比如0.5,小于这个阈值的就删除。
4.记录评估+过滤
现在我们有已知的规则模板的分数了,生成的记录,有的是一个模板扫描文本后生成的,有的是多个模板扫描文本后生成的,因此可以通过以下方式计算记录的分数:
其中,con(Pi)就是第i个规则模板的分数。
同样的,我们设定一个阈值,比如0.7,只要分数小于0.7的记录,我们就删除。
重复以上四步即可。