Page 94 - 《中国图书馆学报》2025年第1期

092 Journal of Library Science in China

本上有很高的相似性,差异集中在后缀部分。 可通过由较短实体向较长实体匹配,将同一指代实体匹
配出来,再进行统一化处理,方法同第二种情况。
3. 4 基于规则匹配的创新内容实体与关系抽取
基于规则的抽取方法是一种对字符串进行匹配的模式,常用正则表达式表示,有着较高的灵活
性,且在表达规范的半结构化文本的抽取任务上有较好的效果 [34] 。
3. 4. 1 实体抽取规则与方法
本研究所涉及的大部分实体已通过深度学习的方式完成抽取。 但“研究对象”类实体因本身表
述内容复杂多样、没有规范性的表述规则而难以运用深度学习的方式来完成抽取;此外,“工具”类实
体的内容即工具名称是具有统一性且可穷尽的,也不需要通过深度学习的方法来识别,通过词表方式

即可完成识别任务。 对于这两种类型的实体,主要通过基于规则匹配与词表匹配的方式来完成抽取
工作。
对于“研究对象”类实体,如仅使用单一的基于规则的正则表达式抽取,很难在查全率上达到满
意的效果,而当结合语义信息之后,抽取能力则能有所提升,故本研究选择结合语义信息来创建识别
规则。 在前一阶段研究中 [1] ,已经通过 LTP-Cloud 云服务对数据库中所有句子级别的数据进行依存
句法分析与语义角色标注,并得到了句子中所有主谓宾三元组以及动宾结构的抽取结果,结合“研究
对象”的相关动词则能将其抽取出来,匹配目标对象如表 5 所示。 结合索传军等总结出的学术论文
中问题知识元的识别规则 [35] ,对“研究对象”相关动词进一步总结,得到包括研究、分析、探讨、评估、

解决、聚焦、关注等 22 个相关动词,同时将识别语料从全文范围精确到研究对象高频出现的“创新过
程”与“创新贡献”功能句范围,从而提高识别效率。 通过 Python 编写遍历循环与匹配代码,识别得到
349 个“研究对象”实体。 但由于 LTP-Cloud 对最小词组单元的识别结果无法达到 100%的准确率,因
此仍需要进行人工清洗与判断,最终得到 204 条实体数据。

表 5 研究对象匹配示例

动词 宾语(研究对象)
分析 知识网络的演化和知识元素的组合特征
探讨 驱动银行间货币市场网络形成的因素

研究 特定领域的技术机会
评估 两个输入样本的相似度

对于“工具”类实体,本研究采取基于研究工具词表的方式来进行“工具”类实体的匹配。 参考已

有研究对情报学领域常用研究方法的总结 [36-38] ,并在此基础上进行完善与补充,共得到包含 SPSS、
AMOS、Nvivo 等 22 种研究工具的列表。 通过编写 Python 代码对数据库中研究工具高频出现的“创新
过程”功能句进行遍历,依次匹配列表中的“工具”类实体,并将其与对应论文实体 id 一并存储,一同
完成“创新工具”关系的抽取。
3. 4. 2 关系抽取规则与方法
目前中文科技论文领域缺乏训练数据,用于关系抽取的大规模标注数据集的获取是一大难题,同
时本研究所提出的实体间关系又是站在“创新”的新视角,对此类关系尚不存在符合的语料,笔者也
尝试通过标注语料进行关系抽取预实验,但效果欠佳。 本研究拟抽取的实体关系在表述层面具有较

总第五十一卷 第二七五期 Vol. 51. No. 275