基于50W携程出行攻略构建事件图谱(含码源):交通工具子图谱、订酒店吃饭事件图谱等
基于50W携程出行攻略构建事件图谱(含码源):交通工具子图谱、订酒店吃饭事件图谱等
- 项目构成
- 本项目由两个部分的组成,具体包括语料的获取以及基于语料的事件挖掘两个部分,具体项目目录包括:
- news_spider:基于scrapy的游记采集脚本
- event_graph:基于依存句法与顺承模式的顺承事件抽取脚
- image:游记顺承事件图谱效果图
1.出行领域语料的获取
-
语料来源:携程出行攻略
-
时间范围:2018年7月14日之前
-
采集方式:使用scrapy编写爬虫脚本进行抓取
-
采集规模:共采集505767篇,量级50W
-
采集脚本目录:news_spider/travelspider
-
语料举例:
107330 一路向南——第二篇相逢南通(自驾游) - 游记攻略【携程攻略】 107331 彩云之南—云上的蜜月之旅 - 丽江游记攻略【携程攻略】 107332 甘肃游记之玛曲郎木寺 - 碌曲游记攻略【携程攻略】 107333 拍客白沙行 - 舟山游记攻略【携程攻略】 107334 九华山-沐浴在佛恩下的XXX - 九华山游记攻略【携程攻略】 107335 垦丁夏季活动 - 垦丁游记攻略【携程攻略】 107336 行走在台湾(向隅版)---世外桃源之我们的家(九份民宿) - 九份游记攻略【携程攻略】 107337 卫赛节马来西亚行 - 马六甲州游记攻略【携程攻略】 107338 蓝天下的嘉峪关 - 嘉峪关游记攻略【携程攻略】 107339 人生一定要登一次雪山---都日峰 - 四川游记攻略【携程攻略】 107340 八月,青海湖不远 - 海北游记攻略【携程攻略】 107341 #冬季北京# 帝都极冷天去首富的酒店避避寒 - 北京游记攻略【携程攻略】 107342 圣地西藏 - 青海湖游记攻略【携程攻略】 107343 孩子,妈妈想让你见识更多的繁华世界 - 深圳游记攻略【携程攻略】 107344 顶级奢华,舍我其谁! - 澳门游记攻略【携程攻略】 107345 旅行、不需要走远!美景就在身边 - 江门游记攻略【携程攻略】 107346 安安静静,不言不语都是好风景 - 厦门游记攻略【携程攻略】 107347 邂逅则天故里 行走美丽利州 体验师带你看中国女儿节 - 广元游记攻略【携程攻略】 107348 台湾,可以这样玩--15日环岛自由行全记录 - 台北游记攻略【携程攻略】 107349 让我记忆深刻的厦门--详细版 - 厦门游记攻略【携程攻略】 107350 上海地鐵站 - 上海游记攻略【携程攻略】 107351 逃离雾霾,带着“马拉多纳”去腾冲 - 腾冲游记攻略【携程攻略】 107352 在我心上用力地开一 - 四川游记攻略【携程攻略】 107353 冬季到鄱阳湖边的余干县看鸟,多张美图记录环湖游全过程 - 余干游记攻略【携程攻略】 107354 2014.十一沈阳,本溪老边沟,枫叶大道,丹东,不走重复路,古迹,景色5日穷游 - 沈阳游记攻略【携程攻略】 107355 库不齐老牛湾之户外行走 - 库布齐沙漠游记攻略【携程攻略】
2.基于出行语料的顺承事件图谱构建
2.1, 顺承事件的抽取
- event_extract.py, 思想步骤如下:
- 输入游记文本
- 对游记进行长句切分
- 基于构造的顺承关系模板,进行顺承前后部分提取, 转入4)
- 对3)得到的部分进行短句处理,转入5)
- 对4)得到的短句进行谓词性短语提取
- 对5)得到的谓词性短语向上汇聚,得到一个长句的谓词性短语有序集合
- 对6)步骤得到的谓词性短语集合,以滑窗方式构造顺承关系事件对
- 对步骤7)得到的顺承事件对进行汇总,最终得到顺承事件库
- 对8)进行事件进行整合,去除过低频次的事件,构造标准顺承关系库
2.2, 顺承事件图谱的展示
10)使用VIS插件进行顺承关系图谱构建与展示, event_graph.py
11)由于VIS作为一个封装的JS库,因此生成的顺承图谱在项目中暂时设置到500,见travel_event_graph.html
3.顺承关系图谱效果
3.1 总体图谱样式
以500个顺承事件, 进行顺承事件图谱展示,结果是一张事件网络,这是一个大的顺承关系图谱,由众多小子图谱构成
3.2 去丽江子图谱
该子图谱围绕"去丽江旅游"这一出行事件为核心形成的事件群:
3.3飞机路线子图谱
该子图谱显示了选择飞机进行出行形成的事件序列
3.4火车路线子图谱
该子图谱显示了选择火车进行出行形成的事件序列
3.5订酒店事件图谱
该子图谱描述了一个"预定酒店不愉快事件",从预定到失望到总结,在这条顺承事件链表现出来
3.6做饭事件图谱
该子图谱表示了一个"做饭"场景下的顺承事件,感觉也很有意思
4.总结
- 该项目只是一个基于50W文章领域语料,运用简单提取方式形成的顺承关系图谱demo,还有很多不足
- 该项目目前是形成了事件节点为326781个, 顺承事件对为543580条,分别为30W和50W的图谱规模
- 对于谓词性短语进行事件表示是事件表示的一种方式,本方法只采用VOB关系进行提取,这种方式还有待改进
- 以3)得到的结果中,还存在大量噪声,这一方面准确率受依存句法的准确性限制,另一方面该依存关系可能还相对单一,不够准确
- 在构造顺承事件序列的方法,本项目采用的是长句为单位下的滑窗方式进行构造,这个方式还有待改进
- 基于目前形成的顺承关系图谱还有待于进一步挖掘,可以在此基础上完成更多有价值的信息挖掘