發展以三元組為基礎的知識圖譜與文章摘要萃取技術

Abstract

由於資訊科技的進步，資料的蒐集變得非常容易，導致人類消化資訊的速度遠比不上資料生成的速度，如何從海量的資料中，快速且正確的擷取出有用的資訊，無論在哪個領域中都是非常重要。 本論文以「萃取式摘要」與「摘要知識圖譜」為目標，提出萃取式摘要的泛化改良流程。在不引入語系或領域的完整字典下，從文章內容自製暫用辭典，輔以N-gram尋找關鍵詞，藉此產生知識圖譜所需的三元組，即如中文的主詞、動詞、賓語 (SVO) 的概念，最後以關鍵字與三元組出現的頻率為權重標準，挑選關鍵詞與句，再彙整為萃取式摘要。 為驗證提出之方法，本論文以內容農場、27篇學術論文與18篇期刊論文進行測試，以原文章之摘要為標準進行ROUGE-1、2、L的計算，並與TextRank摘取之結果相比。在單篇平均六萬字的27篇論文且同時包含中英文文字下，無論移除或不移除停止字，平均每篇可得到ROUGE-1、2、L平均分為0.44、0.18與0.37，約為TextRank的3倍，可在29秒內處理完畢，速度為TextRank的142秒的5倍速度；在期刊與內容農場之文章也有類似之成果。摘要後以三元組繪製知識圖譜，視覺化呈現單篇文章摘要，可更有效率地理解文章關鍵字之間的關係。