引言

与陆基机场不同，载机舰船飞行器起降和作业空间有限，飞行器保障作业的时间与空间存在重叠，同时作业内容涉及领域差异较大[1]。因此，做好载机舰船飞行器起降区域内的作业指导，对提高该区域的保障能力尤为重要。

上述作业涉及器材和被保障对象的使用与操作均配发有相应作业指导文件，用以指导作业实施和操作安全提示。指导文件中蕴含着丰富的保障作业知识，但上述知识往往分布在不同设备和被保障对象的作业指导书中，涉及不同章节条文，人工检索难度大且易发生遗漏。因此，如何结构化整理现有保障作业知识，为保障作业人员和作业安全管理人员提供快捷、有效、全面的知识查询十分必要。

知识图谱(Knowledge Graph, KG)技术能够将孤立的数据和数据关联融合成网络结构的知识体系[2]。以这种网状的知识结构体系为基础，可有效提高信息检索结果的有效性和完备性。建立知识图谱的首要步骤是从非结构化或半结构文本中抽取出结构化数据，完成该步骤的技术手段被称为信息抽取(Information Extraction ,IE)技术[3-4]，主要包括实体的识别、关系抽取和事件抽取等子任务[4]。

现有成熟的信息抽取方式主要包括基于规则的方法和基于深度学习的方法[5]。文献[6]通过采用深度学习的方法对医学知识进行细粒度抽取取得了预期效果。但采用深度学习的方法在其前期训练过程中存在需要进行大量语料标注、训练耗时长等问题[3]。由于舰面保障实践活动涉及领域多、专业性强、技术迭代快，采用上述方法进行信息抽取时，存在对训练语料标注人员的专业领域素养要求较高，模型训练不充分等问题。

考虑到待抽取文本多为规范文本，规范文本使用非结构化的自然语言表达，但具备天然的结构化性特征[7]。因此，对这类文本进行信息抽取时可采用基于规则的方法，例如文献[8]提出通过整合句子的主语、谓语和宾语等句法特征提取所需实体和关系的方法。但在实际文本处理过程中，客观上存在由于行文习惯差异、汉语自身表达特点、NLP分析工具技术限制等因素，导致仅仅按上述规则进行信息抽取，会出现对实体和关系的分解和识别不尽准确、完备的情况。

同时，尽管以GPT为代表的预训练自然语言大模型具有良好的上下文理解能力，但文献[9]的研究表明直接采用GPT系列大语言模型执行命名实体识别和关系抽取任务的表现不佳。

针对上述技术存在的缺陷和局限，结合相关作业指导文件各章节条目之间组织结构清晰、行文表述方式较为规范、语言简练、多为短句子且条目间独立性较强等特点，希望找到一种在不需要进行语料标注和长时间训练的同时又能较为准确地对条文进行细粒度信息抽取的方法。文献[10]提出通过词性标注和关键词定位待抽取信息位置的思想，但是该方法仅适用于特定行业内的特定句式语句，上述方法如果应用到其他行业中需要重新创建关键词集合，并对关键词邻近信息抽取的位置重新进行确定。文献[10]和文献[11]均提出了采用词性作为句子特征进而对句子进行分类的思想，但均未涉及对句子中修饰成分的处理方法。

借鉴文献[10]和文献[11]研究成果，本文根据待抽取对象表述特点，提出一种基于词性标注和句子模型匹配的信息自动抽取方法。该方法将组成句子主结构的名词短语和动词短语对应的词性序列作为句子的分类标志，通过预定义不同类型句子的信息抽取策略，完成句子细粒度的信息抽取。经实验验证，该方法能够较为高效、精准地完成对作业指导信息的细粒度信息抽取。

本文详细内容请下载：

http://www.chinaaet.com/resource/share/2000007306

作者信息：

肖志勇1，罗威2，李华1，刘起东3

（1.中国船舶集团有限公司第七一三研究所，河南 郑州 450015；

2.中国舰船研究设计中心，湖北 武汉 430000；

3.郑州大学 计算机与人工智能学院，河南 郑州 450000）