有关时间信息抽取的研究,最早可追溯到1998年的MUC7会议上,该会议首次在命名实体识别中加入了对时间评测的要求,但是MUC7只对绝对时间进行了定义,而且将绝对时间分为日期、时间、段时间三类^{[ 3]}。之后关于时间信息抽取的研究并没有随着MUC会议的停办而停止,在其替代会议ACE评测中,时间信息抽取评测仍旧是一个重要的研究领域。在2004年8月举办的ACE第5次评测中,其研究的主要内容聚集在自动抽取新闻语料中出现的实体、关系、事件等内容。时间表达式作为事件的重要组成部分,其评测方法在其子项目TERN （Time Expression Recognition and Normalization）中有详细定义和描述,不仅要求系统标示出文本中的时间表达式,而且还要求对这些表达式的语义做规范化的处理^{[ 4]},从而提出了时间表达式的识别和归一化处理的研究方向。2009年,ACE正式更名为TAC,其研究更加倾向于文本内容分析,从2009和2010年的评测任务^{[ 5]}可以看出,其评测任务集中在Recognizing Textual Entailment、Summarization、Knowledge Base Population,时间信息的识别和抽取仍是其中一个重要的研究课题。

英文语料的时间信息表达方式分为三个部分：时相（Phase）、时制（Tense）和时态（Aspect）,因此在研究英文时间关系时需要将时态等内容进行还原,以进一步确定时间序列。Stevenson等^{[ 6]}进行了动词情态分类工作的研究,从而将时间信息的抽取扩展到了隐性时间信息领域。

在中文时间信息抽取研究中,徐永东等^{[ 7]}提出了基于规则的时间信息抽取、理解及时间语义的计算方法,将承载时间信息的短语按照不同功能分解成若干个容易识别的语义单元,重点研究了时间表达式的语义计算,但并没有深入研究时间短语、事件短语间的映射关系。赵国荣^{[ 8]}对事件类时间短语的特点进行了重点研究、并通过规则匹配树的方法进行了实验验证,但受训练语料库的限制,该方法的扩展性有限。

关于时间信息抽取的主要方法有：基于规则的方法、基于词典和自动机的方法、基于错误驱动的方法和基于机器学习的方法^{[ 9]}。由于时间表达式具有种类多样性、属性多样性、无规则等特点,基于规则的方法很难处理大规模复杂语料,因此,基于统计的方法的优势比较明显,本文采用基于CRF模型的方法进行复杂时间信息的抽取研究。将通过时间信息的分类研究引出复杂时间信息的定义,从而为实验研究提供理论基础。

从宏观上来分,时间信息可分为显性时间信息和隐性时间信息。显性时间信息如“2008年8月”、“今年夏天”等,这一类时间信息可以很容易地被识别出来,而隐性时间信息如“当地震发生的时候”、“树木发芽”等,这一类文本信息虽然描述的是一个事件,但是其中包含着丰富的时间信息,因此,识别并标识隐性时间信息是时间信息抽取的关键。

从这种分析出发,可以将时间信息细化为绝对时间、时间短语和事件类时间短语,其中确定时间-事件的映射关系是时间信息识别和抽取中的难点,王昀等^{[ 10]}采用基于错误驱动的方法进行了时间-事件关系映射的研究,通过从名词短语、介词短语和动词短语中抽取事件并运用最小距离原则来确定时间,但并没有解决时间类事件的识别问题;同时,识别时间信息,还必须对句法成分进行深入剖析,在句法成分中包含的时间信息有：时间短语（TNP）、时间前置短语（TPP）和时间从句及时间副词^{[ 11]},识别并标记这些信息对时间信息的抽取有重要意义。

由于时间是一个比较复杂的概念,有静止的时间点和连续的时间段,因此,处理时间信息时还必须要考虑这一层意思,这就为抽取时间信息带来一定的复杂度。本文总结的时间信息分类如图1所示：

图1

	Figure Option ViewDownloadNew Window
	图1 时间信息分类

在时间信息抽取中,关于显性时间的研究已相对比较成熟,特别是对显性时间信息中的绝对时间,一般的切词工具或词性标注工具都做得比较完善,特别是中国科学院计算技术研究所的3GWS和哈尔滨工业大学的中文语言技术平台^{[ 12]}。 因此,本文重点研究复杂时间信息的抽取。

定义：复杂时间信息,即相对于绝对事件而言的、隐性的、不能直接识别的时间信息,对此信息的识别要依赖于事件映射、前后触发词和上下文关联词等。

通过复杂时间信息的定义可知,识别并抽取复杂时间信息需要依赖于对其时间触发词及其所有的修饰成分的良好标识,时间触发词主要有以下三种：时间触发词;时间表达式的前缀和后缀;时间停用词。

根据训练语料中切分出来的时间表达式及时间信息标注规范的定义,半自动总结出时间触发词表、时间表达式的前缀和后缀及时间停用词表,用于后续训练语料的标注。本文研究抽取的复杂时间表达式包括：

（1）日期+复合时间名词短语 （+动词）

例如： “2010年第一季度（开始）”

（2）介词+日期/时间词（+助词）

例如：“将于今年（内）”

（3）介词+日期/时间词/特殊名词+助词

例如： “自…之后”

（4）介词+日期/时间词/特殊名词+动词

例如： “从昨天开始”

（5）事件类时间短语

例如：“北京奥运会举办期间”

条件随机场（Conditional Random Fields,CRFs）^{[ 13]}最早由Lafferty等于2001年提出的,其模型思想的主要来源是最大熵模型,可以把条件随机场看成是一个无向图模型或马尔可夫随机场,它是一种用来标记和切分序列化数据的统计模型。

条件随机场定义：令G=（V,E）表示一个无向图,Y=（Y_v）_v∈V,Y中元素与无向图G中的顶点一一对应。当在条件X下,随机变量Y_v的条件概率分布服从图的马尔可夫属性：p（Y_v|X,Y_w,w≠v）=p（Y_v|X,Y_w,w~v）,其中（w~v）表示（w,v）是无向图G的边。这时称（X,Y）是一个条件随机场。

条件随机场模型是一种典型的判别式模型,它在观测序列的基础上对目标序列进行建模,重点解决序列化标注的问题。该模型既具有判别式模型的优点,又具有产生式模型考虑到上下文标记间的转移概率,以序列化形式进行全局参数优化和解码的特点,解决了其他判别式模型（如最大熵、隐马尔可夫模型）难以避免的标记偏置问题^{[ 14]}。

基于CRFs 的主要系统实现有Flex CRF,Pocket CRF和CRF++。Flex CRF只能直接指定最大迭代次数,没有使用CRF++那样用梯度+特征权值之和的稳定性作为迭代结束的标志,可以在每个训练迭代后进行即时的测试评估,但这也加重了系统的负担,降低了系统性能。Pocket CRF输入输出和CRF++非常类似,但不同在于Pocket CRF严格要求输入文件各列必须用0x09隔开,无法识别空格^{[ 15]}。因此,相比Flex CRF和Pocket CRF,CRF++在易用性、稳定性和准确性上表现都较为出色。

基于CRF模型的复杂信息抽取模型如图2所示：

图2

	Figure Option ViewDownloadNew Window
	图2 基于CRF模型的复杂信息抽取模型

基于CRF模型的复杂信息抽取模型的实现步骤如下：

（1）构建时间触发词表、时间停用词表、时间短语的前缀和后缀,用于标注训练文本;

（2）利用智能分词系统3GWS对语料进行切词和词性标注,并制作成CRF语料格式;

（3）根据词表对训练文本进行标注,B表示时间短语开始位置、E表示时间短语结束位置、I表示时间短语的中间部分、BE表示单个词为时间短语、O表示其他（非时间短语信息）;

（4）制作特征模板并用CRF++工具训练标注后文本,生成CRF模板文件;

（5）用训练好的模板文件对测试文本进行标注,形成标注结果。

针对信息抽取的特征选择主要集中在词、词性及其二元组合上。丁晟春等^{[ 16]}通过规则的方法研究了信息抽取中词性组合模板的组合规则,探索了基于词性合并获取语块的可行性。本文也从词和词性特征出发,运用统计的方法探索词、词性及其组合在复杂时间信息识别中的规律,并制作特征模板来进行复杂时间信息的抽取。

本实验语料粗切分后并进行人工标注后的标注语料如图3所示：

图3

	Figure Option ViewDownloadNew Window
	图3 CRF语料标注结果

针对该实验语料特点,本文考虑的特征选取包括上下文特征（词特征）和词性特征。进而通过它们之间的组合可分为一元特征、复合一元特征和二元特征^{[ 17]},并采用窗口为2进行实验,即（w-2,w-1,w0,w1,w2）。假设图3中当前词为的“开始”,该特征模板举例如表1所示：

表1

表1

表1 部分模板项举例 模板项 由模板扩展出的串 词特征 ％x[-1,0] 明天 一元特征 ％x[0,0] 开始 ％x[1,0] 第四 词性特征 ％x[-1,1] t ％x[0,1] v ％x[1,1] m 复合一元特征 ％x [0,0]/ ％x [0,1] 开始/v ％x [1,1]/ ％x [1,2] m/O 二元特征 ％x [-1,0]/ ％x [0,0] 明天/开始

表1 部分模板项举例