[论文解读] A Corpus Study and Annotation Schema for Named Entity Recognition and Relation Extraction of Business Products

Saskia Schön, Veselina Mironova+2 more|arXiv (Cornell University)|Apr 7, 2020

Topic Modeling参考文献 14被引用 6

一句话总结

本文提出了一种新颖的标注模式及初步的英文语料库，用于企业间（B2B）产品及其生产者的信息抽取。通过采用自举法收集噪声产品提及，作者制定了详细的标注指南，用于标注产品实体及“CompanyProvidesProduct”关系，最终构建了一个包含152篇文档、379个标注关系的语料库，填补了工业信息抽取训练数据中的关键空白。

ABSTRACT

Recognizing non-standard entity types and relations, such as B2B products, product classes and their producers, in news and forum texts is important in application areas such as supply chain monitoring and market research. However, there is a decided lack of annotated corpora and annotation guidelines in this domain. In this work, we present a corpus study, an annotation schema and associated guidelines, for the annotation of product entity and company-product relation mentions. We find that although product mentions are often realized as noun phrases, defining their exact extent is difficult due to high boundary ambiguity and the broad syntactic and semantic variety of their surface realizations. We also describe our ongoing annotation effort, and present a preliminary corpus of English web and social media documents annotated according to the proposed guidelines.

研究动机与目标

• 解决非新闻文本中企业产品实体及公司-产品关系缺乏公开标注语料的问题。
• 开发一种详细的标注模式，以捕捉产品提及在语言学上的复杂性，包括边界模糊性与句法变体。
• 构建一个初步的、人工标注的英文网络与社交媒体文本语料库，涵盖产品实体及“CompanyProvidesProduct”关系。
• 通过更优质的训练数据，支持供应链监控与市场研究中可靠NLP系统的发展。
• 实现对非消费类工业产品类型及其生产者的更准确、更细粒度的信息抽取。

提出的方法

• 使用人工定义的词汇模式，通过自举法从网络与社交媒体文本中提取噪声产品提及。
• 基于详细标注模式，人工标注产品实体及“CompanyProvidesProduct”关系，以涵盖句法与语义变体。
• 使用Recon标注工具标记文本片段为实体，创建n元关系，并分配语义角色。
• 应用指代消解技术处理完整公司名称及其缩写，将其视为独立实体，但通过身份关系进行关联。
• 通过创建多个关系提及的方式，系统化处理同一关系实例的多个触发词（如“developer”、“manufacturer”、“vendor”）。
• 从152篇采样文档构建语料库，包含结构化元数据，以AVRO格式存储，并配备模式与读取工具。

实验结果

研究问题

• RQ1 B2B语境中的产品提及在句法与语义形式上如何变化？这些变化对边界检测带来哪些挑战？
• RQ2 需要怎样的标注指南，才能可靠地捕捉非结构化网络与社交媒体文本中的产品实体及公司-产品关系？
• RQ3 如何系统化地标注同一关系实例的多个触发词（如“produced by”、“manufactured by”）？
• RQ4 构建人工标注的工业产品实体与关系语料库在可行性与质量方面如何？
• RQ5 现有知识库（如Freebase或DBpedia）在多大程度上覆盖了“CompanyProvidesProduct”关系？其局限性是什么？

主要发现

• 产品提及通常以具有高度句法与语义变体的通用名词短语形式出现，导致显著的边界模糊性。
• 诸如介词短语与同位语等冗余成分常出现在产品提及内部，增加了准确跨度检测的难度。
• 标注模式成功处理了复杂情况，包括完整公司名称与缩写之间的指代消解，以及同一关系实例的多个触发词。
• 已构建一个包含152篇文档的初步语料库，其中包含2,191个公司提及、1,717个产品提及及379个“CompanyProvidesProduct”关系提及。
• 语料库将以AVRO格式连同模式与读取工具发布，以支持可复现性并便于集成到NLP流水线中。
• 最终版本将报告标注者间一致性分数，但当前版本尚未提供。