|本期目录/Table of Contents|

[1]段艳会１,２,李晓林１,等.基于条件随机场的中文地址行政区划提取方法[J].武汉工程大学学报,2015,37(11):47-51.[doi:10. 3969/j. issn. 1674-2869. 2015. 1１. 010]
　,,et al.Ｅｘｔｒａｃｔｉｏｎ of administrative division of Chinese address ｂａｓｅｄ ｏｎ ｃｏｎｄｉｔｉｏｎａｌ ｒａｎｄｏｍ ｆｉｅｌｄｓ[J].Journal of Wuhan Institute of Technology,2015,37(11):47-51.[doi:10. 3969/j. issn. 1674-2869. 2015. 1１. 010]
点击复制

基于条件随机场的中文地址行政区划提取方法(/HTML)
分享到：

《武汉工程大学学报》[ISSN:1674-2869/CN:42-1779/TQ]

卷:
37
期数:
2015年11期
页码:
47-51
栏目:
机电与信息工程
出版日期:
2015-12-30

文章信息/Info

Title:
Ｅｘｔｒａｃｔｉｏｎ of administrative division of Chinese address ｂａｓｅｄ ｏｎ ｃｏｎｄｉｔｉｏｎａｌ ｒａｎｄｏｍ ｆｉｅｌｄｓ
文章编号:
1674-2869（2015）11-0047-05
作者:
段艳会１; ２; 李晓林１; ２*; 黄　爽１; ２
1.智能机器人湖北省重点实验室（武汉工程大学），湖北 武汉 ４３０２０５；2.武汉工程大学计算机科学与工程学院，湖北 武汉 ４３０２０５
Author(s):
ＤＵＡＮ Ｙａｎ－ｈｕｉ１; ２; ＬＩ Ｘｉａｏ－ｌｉｎ１; ２; ＨＵＡＮＧ Ｓｈｕａｎｇ１; ２
１．Ｈｕｂｅｉ Ｋｅｙ Ｌａｂｏｒａｔｏｒｙ ｏｆ Ｉｎｔｅｌｌｉｇｅｎｔ Ｒｏｂｏｔ（Ｗｕｈａｎ Ｉｎｓｔｉｔｕｔｅ ｏｆ Ｔｅｃｈｎｏｌｏｇｙ）， Ｗｕｈａｎ ４３０２０５， Ｃｈｉｎａ；２．Ｓｃｈｏｏｌ ｏｆ Ｃｏｍｐｕｔｅｒ Ｓｃｉｅｎｃｅ ａｎｄ Ｅｎｇｉｎｅｅｒｉｎｇ， Ｗｕｈａｎ Ｉｎｓｔｉｔｕｔｅ ｏｆ Ｔｅｃｈｎｏｌｏｇｙ， Ｗｕｈａｎ ４３０２０５， Ｃｈｉｎａ
关键词:
位置信息解析; 条件随机场; 训练语料
Keywords:
ｌｏｃａｔｉｏｎ ｉｎｆｏｒｍａｔｉｏｎ ｐａｒｓｉｎｇ;  ｃｏｎｄｉｔｉｏｎ ｒａｎｄｏｍ ｆｉｅｌｄｓ;  ｔｒａｉｎｉｎｇ ｃｏｒｐｕｓ
分类号:
ＴＰ３９１.４１
DOI:
10. 3969/j. issn. 1674-2869. 2015. 1１. 010
文献标志码:
A
摘要:
为了在非规范中文地址中有效的提取行政区划信息，提出了一种基于条件随机场的方法. 该方法根据中文地址中行政区划的表达特点和特征，采用判别式概率模型，在观测序列已知的基础上对目标序列建模，通过构建语料训练集和建立相应的特征模板，得到行政区划的表达模型，然后使用该模型对测试集进行测试，并与标注好的测试数据进行比对，验证模型的性能. 实验表明，与最大熵模型相比，条件随机场模型总的性能指标在其之上，地址信息解析的准确率能达到８９．９３％.
Abstract:
Ｔｏ ｅｘｔｒａｃｔ ｔｈｅ ｉｎｆｏｒｍａｔｉｏｎ ｏｆ ａｄｍｉｎｉｓｔｒａｔｉｖｅ ｄｉｖｉｓｉｏｎ ｅｆｆｅｃｔｉｖｅｌｙ from ｔｈｅ ｎｏｎ－ｓｔａｎｄａｒｄ Ｃｈｉｎｅｓｅ ａｄｄｒｅｓｓ， ａ ｍｅｔｈｏｄ ｂａｓｅｄ ｏｎ ｃｏｎｄｉｔｉｏｎａｌ ｒａｎｄｏｍ ｆｉｅｌｄｓ ｗａｓ ｐｒｏｐｏｓｅｄ． Ａｃｃｏｒｄｉｎｇ ｔｏ ｔｈｅ ｃｈａｒａｃｔｅｒｉｓｔｉｃｓ ｏｆ ａｄｍｉｎｉｓｔｒａｔｉｖｅ ｄｉｖｉｓｉｏｎ， ｔｈｅ ｍｏｄｅｌ ｏｆ ｔｈｅ ｔａｒｇｅｔ ｓｅｑｕｅｎｃｅ ｗａｓ ｃｏｎｓｔｒｕｃｔｅｄ ｏｎ ｔｈｅ ｂａｓｉｓ ｏｆ ｔｈｅ ｏｂｓｅｒｖａｔｉｏｎ ｓｅｑｕｅｎｃｅ ｂｙ ｕｓｉｎｇ ｔｈｅ ｄｉｓｃｒｉｍｉｎａｔｉｖｅ ｐｒｏｂａｂｉｌｉｔｙ ｍｏｄｅｌ． Ｔｈｅｎ， ｔｈｅ ｅｘｐｒｅｓｓｉｏｎ ｍｏｄｅｌ ｏｆ ｔｈｅ ａｄｍｉｎｉｓｔｒａｔｉｖｅ ｄｉｖｉｓｉｏｎ ｗａｓ ｏｂｔａｉｎｅｄ ｂｙ ｃｏｎｓｔｒｕｃｔｉｎｇ ｔｈｅ ｃｏｒｐｕｓ ｔｒａｉｎｉｎｇ ｓｅｔ ａｎｄ ｔｈｅ ｃｏｒｒｅｓｐｏｎｄｉｎｇ ｆｅａｔｕｒｅ ｔｅｍｐｌａｔｅ． Ｆｉｎａｌｌｙ， ｔｈｅ ｐｅｒｆｏｒｍａｎｃｅ ｏｆ ｔｈｅ ｍｏｄｅｌ ｗａｓ ｖｅｒｉｆｉｅｄ ｂｙ ｔｅｓｔｉｎｇ ｔｈｅ ｔｅｓｔ ｓｅｔ ａｎｄ ｃｏｍｐａｒｉｎｇ ｉｔｓ ｒｅｓｕｌｔｓ ｗｉｔｈ ｔｈｅ ｍａｒｋｅｄ ｔｅｓｔ ｄａｔａ． Ｅｘｐｅｒｉｍｅｎｔａｌ ｒｅｓｕｌｔｓ ｓｈｏｗ ｔｈａｔ ｔｈｅ ｐｅｒｆｏｒｍａｎｃｅ ｏｆ ｔｈｅ ｍｏｄｅｌ ｉｓ ｂｅｔｔｅｒ ｔｈａｎ ｔｈａｔ ｏｆ ｔｈｅ ｍａｘｉｍｕｍ ｅｎｔｒｏｐｙ ｍｏｄｅｌ， ａｎｄ ｔｈｅ ａｃｃｕｒａｃｙ ｒａｔｅ ｏｆ ａｎａｌｙｓｉｓ ｏｆ ａｄｄｒｅｓｓ ｉｎｆｏｒｍａｔｉｏｎ ｒｅａｃｈｅｓ ８９．９３％．

参考文献/References:

［１］　朱俊．中文标准地址库构建关键技术研究［Ｄ］．南京：南京师范大学，２０１３．ＺＨＵ Ｊｕｎ． Ｒｅａｓｅａｒｃｈ ｏｎ Ｋｅｙ Ｔｅｃｈｎｉｑｕｅｓ ｏｆ ｃｏｎｓｔｒｕｃｔｉｎｇ Ｃｈｉｎｅｓｅ ｓｔａｎｄａｒｄ ａｄｄｒｅｓｓ ｄａｔａｂａｓｅ［Ｄ］． Ｎａｎｊｉｎｇ：Ｎａｎｊｉｎｇ Ｎｏｒｍａｌ Ｕｎｉｖｅｒｓｉｔｙ， ２０１３．（ｉｎ Ｃｈｉｎｅｓｅ）［２］　ＬＡＷＲＥＮＣＥ Ｒ， ＲＡＢＯＭＥＲ． Ａ ｔｕｔｏｒｉａｌ ｏｎ ｈｉｄｄｅｎ ｍａｒｋｏｖ ｍｏｄｅｌｓ ａｎｄ ｓｅｌｅｃｔｅｄ ａｐｐｌｉｃａｔｉｏｎｓ ｉｎ ｓｐｅｅｃｈ ｒｅｃｏｇｎｉｔｉｏｎ［Ｊ］． Ｐｒｏｃｅｅｄｉｎｇｓ oｆ ｔｈｅ ＩＥＥＥ，１９８９，７７ （２）：２５７-２８６．［３］　申彦．大规模数据集高效数据挖掘算法研究［Ｄ］．镇江：江苏大学，２０１３．ＳＨＥＮＧ Ｙａｎ． Ｒｅｓｅａｒｃｈ ｏｎ ｅｆｆｉｃｉｅｎｔ ｄａｔａ ｍｉｎｉｎｇ ａｌｇｏｒｉｔｈｍ ｆｏｒ ｌａｒｇｅ ｓｃａｌｅ ｄａｔａ ｓｅｔｓ［Ｄ］. Zhengjiang：Ｊｉａｎｇｓｕ Ｕｎｉｖｅｒｓｉｔｙ，２０１３．（ｉｎ Ｃｈｉｎｅｓｅ）［４］　周鑫．半监督算法在自然语言处理中应用的研究［Ｄ］．哈尔滨：哈尔滨工业大学，２０１４．ＺＨＯＵ Ｘｉｎ． Ｒｅｓｅａｒｃｈ ｏｎ Ａｐｐｌｉｃａｔｉｏｎ ｏｆ ｓｅｍｉ ｓｕｐｅｒｖｉｓｅｄ ａｌｇｏｒｉｔｈｍ ｉｎ ｎａｔｕｒａｌ ｌａｎｇｕａｇｅ ｐｒｏｃｅｓｓｉｎｇ［Ｄ］． Ｈａｒｂｉｎ：Ｈａｒｂｉｎ Ｉｎｓｔｉｔｕｔｅ ｏｆ Ｔｅｃｈｎｏｌｏｇｙ，２０１４（ｉｎ Ｃｈｉｎｅｓｅ）［５］　ＭＣＣＡＬＬＵＭ Ａ， ＦＲＥＩＴＡＧ Ｄ， ＰＥＲＥＩＲＡ Ｆ． Ｍａｘｉｍｕｍ Ｅｎｔｒｏｐｙ Ｍａｒｋｏｖ Ｍｏｄｅｌｓ ｆｏｒ Ｉｎｆｏｒｍａｔｉｏｎ Ｅｘｔｒａｃｔｉｏｎ ａｎｄ Ｓｅｇｍｅｎｔａｔｉｏｎ［Ｃ］//Ｐｒｏｃ ＪｃＭＬ，２０００：５９１－５９８．［６］　ＰEARL Ｊ． Ｐｒｏｂａｂｉｌｉｓｔｉｃ ｒｅａｓｏｎｉｎｇ ｉｎ ｉｎｔｅｌｌｉｇｅｎｔ ｓｙｓｔｅｍｓ： ｎｅｔｗｏｒｋｓ ｏｆ ｐｌａｕｓｉｂｌｅ ｉｎｆｅｒｅｎｃｅ［Ｃ］//１ｔｈ ｅｄ， Ｓａｎ Ｍａｔｅｏ， ＣＡ： Ｍｏｒｇａｎ Ｋａｕｆｍａｎｎ，１９８８：１１７－１３３．［７］　ＬＡＦＦＥＲＴＹ Ｊ， ＭＣＣＡＩ ＬＵＭＡ， ＰＥＲＥＩＲＡ Ｆ． Ｃｏｎｄｉ－ ｔｉｏｎａｌ Ｒａｎｄｏｍ Ｆｉｅｌｄｓ：Ｐｒｏｂａｂｉｌｉｓｔｉｃ Ｍｏｄｅｌｓ ｆｏｒ Ｓｅｇｍｅｎｔｉｎｇ ａｎｄ Ｌａｂｅｌｉｎｇ Ｓｅｑｕｅｎｃｅ Ｄａｔａ［Ｃ］//Ｐｒｏｃ ＩＣＭＬ，２００１．［８］　ＴＨＯＭＰＳＯＮ ＪＤ，ＨＩＧＧＩＮＳ ＤＧ，ＧＩＢＳＯＮ ＴＪ，et al. Iｍｐｒｏｖｉｎｇ ｔｈｅ ｓｅｎｓｉｔｉｖｉｔｙ ｏｆ ｐｒｏｇｒｅ－ ｓｓｉｖｅ ｍｕｌｔｉｐｌｅ ｓｅｑｕｅｎｃｅ ａｌｉｇｎｍｅｎｔ ｔｈｒｏｕｇｈ ｓｅｑｕｅｎｃｅ ｗｅｉｇｈｔｉｎｇ，ｐｏｓｉｔｉｏｎ ｓｐｅｃｉｆｉｃ ｇａｐ ｐｅｎａｌｔｉｅｓ ａｎｄ ｗｅｉｇｈｔ ｍａｔｒｉｘ ｃｈｏｉｃｅ［Ｊ］． Ｎｕｃｌｅｉｃ Ａｃｉｄｓ Ｒｅｓｅａｒｃｈ，１９９４，２２（２２）：４６７３－４６８０．［９］　ＪＩＡＹＩ Ｚｈａｏ，ＸＩＰＥＮＧ Ｑｉｕ，ＳＨＵ Ｚｈａｎｇ． Ｐａｒｔ－ｏｆ－Ｓｐｅｅｃｈ Ｔａｇｇｉｎｇ ｆｏｒ Ｃｈｉｎｅｓｅ－Ｅｎｇｌｉｓｈ Ｍｉｘｅｄ Ｔｅｘｔｓ ｗｉｔｈ Ｄｙｎａｍｉｃ Ｆｅａｔｕｒｅｓ［Ｊ］． Ｊｏｕｒｎａｌ ｏｆ Ｃｏｍｐｕｔａｔｉｏｎａｌ Ｉｎｆｏｒｍａｔｉｏｎ Ｓｙｓｔｅｍｓ（ＪＣＩＳ），２０１２：１３７９－１３８８．［１０］　田昕辉，李成基．带有短语切分的中文文本分类方法［Ｊ］．计算机技术与发展，２０１０，２０ （１）：９－１３．ＴＩＡＮ Ｘｉｎ－ｈｕｉ，ＬＩ Ｃｈｅｎｇ－ｊｉ． Ｃｈｉｎｅｓｅ ｔｅｘｔ ｃｌａｓｓｉｆｉｃａｔｉｏｎ ｍｅｔｈｏｄ ｗｉｔｈ ｐｈｒａｓｅ ｓｅｇｍｅｎｔａｔｉｏｎ［Ｊ］． Ｃｏｍｐｕｔｅｒ Ｔｅｃｈｎｏｌｏｇｙ ａｎｄ Ｄｅｖｅｌｏｐｍｅｎｔ，２０１０，２０（１）：９－１３．（ｉｎ Ｃｈｉｎｅｓｅ）［１１］　ＳＵＮ Ｘ Ｌ， ＪＩＡ Ｌ Ｍ， ＤＯＮＧ Ｈ Ｈ， ｅｔ ａｌ． Ｕｒｂａｎ ｅｘｐｒｅｓｓｗａｙ ｔｒａｆｆｉｃ ｓｔａｔｅ ｆｏｒｅｃａｓｔｉｎｇ ｂａｓｅｄ ｏｎ ｍｕｌｔｉｍｏｄｅ ｍａｘｉｍｕｍ ｅｎｔｒｏｐｙ ｍｏｄｅｌ［Ｊ］． Ｓｃｉｅｎｃｅ Ｃｈｉｎａ Ｔｅｃｈｎｏｌｏｇｉｃａｌ Ｓｃｉｅｎｃｅｓ， ２０１０， ５３（１０）： ２８０８－２８１６．

相似文献/References:

备注/Memo

备注/Memo:
收稿日期:2015-10-13基金项目:国家863 项目(2013AA12A202);武汉工程大学研究生教育创新基金项目(CX2014090)作者简介:段艳会(1993-),女,湖北公安人,硕士研究生.研究方向:数据挖掘尧机器学习.* 通信联系人
更新日期/Last Update: 2015-12-12