基于事件多要素模型的新闻主题句抽取

李中伟赖华周超

（1.昆明理工大学信息科学与自动化学院昆明650500）（2.昆明理工大学智能信息处理重点实验室昆明650500）

基于事件多要素模型的新闻主题句抽取

李中伟1赖华2周超3

（1.昆明理工大学信息科学与自动化学院昆明650500）（2.昆明理工大学智能信息处理重点实验室昆明650500）

新闻主题句抽取是对新闻文本进行语义分析的一种技术，其核心是将新闻文本中的句子作为语义分析的基本单元，识别出与新闻主题语义最相关的句子。针对Web新闻特征，提出了一种基于事件多要素模型的新闻主题句抽取方法。首先提取出了新闻报道的标题T、关键字K、描述D、首段F和子事件句S，然后用标题、关键字、描述和首段去表征一篇新闻文档，接着将子事件句和新闻文档以事件多要素模型的方式映射到向量空间中，最后利用向量之间的余弦相似度计算子事件句和新闻文档的相似度，并取相似度最高的为新闻主题句。实验结果表明，在社会政治和自然灾害两类的主题句抽取上，提出的方法优于基于LDA模型的主题句抽取方法和基于TFIDF的抽取方法，F值得到了明显的提升。

新闻事件；信息抽取；多要素模型；新闻主题句

Class NumberTP391.1

1 引言

新闻报道是对指定时间、特定地点发生事情的报道，新闻的主题句就是对新闻所报道的事件的全面的概括，表达了新闻报道的中心思想和基本观点，同时也是记者对客观事实的看法、态度和通过事实的报道所表达的主观意图。准确识别新闻主题句对开展新闻事件元素抽取［15］及新闻文本摘要［11］研究具有重要意义。

Web新闻页面中通常会包括很多的子事件，有的子事件是Web新闻的核心内容，有的子事件只是随便提及，这需要通过计算子事件和新闻文档的相似度来找出Web文档所真正描述的事件。一般新闻的子事件就是一个句子，同样新闻的主题事件是在新闻的子事件中选取出来的，它也是一个句子来表示。它是由中心词（或者说触发词）及其连接起来的有约束作用的主要组成部分（如参与者、时间、地点等）构成。

2 相关工作

新闻的主题句是对新闻所报道的事件的一个高度的概括，其在新闻的话题分析、文本自动摘要、信息检索、事件要素抽取等方面发挥了重要作用。因此，很多学者对新闻主题句的抽取做了大量的研究，包括张云涛的基于综合方法的文本主题句的自动抽取［1］，根据概念间的关系，对同义概念进行语义归并，并对上下位概念进行语义聚焦，从而更精准地抽取出文本的主题概念；杨斐翡的英语语篇主题句探析［2］，从英语修辞、英民族的文化思维模式以及英语系统功能语法观的角度分析了英语主题句；何维的基于句子关系图的网页文本主题句抽取［3］，利用句子以及句子之间的关系构建图模型，将主题句的抽取化为了搜索图中边最多的点的问题；王伟的中文新闻关键事件的主题句识别［4］，提出了利用新闻标题的提示性信息来抽取主题句；王力的一种基于LDA模型的主题句抽取方法［5］，在基于Web的主题关键词查询扩展，获取候选主题句的基础上，利用LDA模型对主题句抽取。

然而新闻中的一些特征能准确形象地表征出新闻主题。所以，本文选取了最重要的标题，关键字、描述和首段这四类特征。并提出一种基于事件多要素模型的新闻主题句抽取方法，首先提取新闻文本中的四个特征要素，然后，将子事件句和新闻文档以事件多要素模型的方式映射到向量空间中，最后计算子事件句和新闻文档的向量余弦相似度，相似度最高的作为新闻主题句。

3 新闻主题句抽取

主题句是文本中覆盖内容最多的一个句子，并且这些句子最能代表新闻文本所要表达的意思。所以根据Web新闻文本的特点，本文提出了事件多要素模型的汉语新闻主题句抽取方法。

3.1 Web新闻特征分析

新闻报道是一种特殊的问题，是新闻事件的载体，为了吸引读者，在书写习惯上多采用倒叙的方式。因此，对新闻的结构进行分析，会发现新闻的标题和首段往往包含了事件的重要信息［6～12］。虽然新闻的标题只有简短的一句，但却是对新闻内容的浓缩和概括。总的来说，根据新闻标题的特点，使其能够精确地描述何时、何地、何人、发生了何事这几个方面的内容。加强对新闻报道的标题和首段的应用，可以提取出更多的关键事件信息。

在互联网上，新闻是以HTML页面的形式展现出来的。在HTML标签中包含了很多有价值的信息，有效的利用这些信息，能够提高新闻主题句识别的准确率。其中