利用维基百科超链接自动构建大规模地理解析语料库

地理解析是估计文本中位置表达式经纬度（坐标）的任务。地理解析必须处理那些以相同表示法指示多个地点的表达式的歧义性。为评估地理解析系统，先前的工作中已提出了若干语料库。然而，这些语料库规模较小，且在通用领域的位置表达式覆盖上存在不足。本文提出了一种基于维基百科超链接的位置链接方法（Wikipedia Hyperlink-based Location Linking, WHLL），这是一种从维基百科文章中构建大规模地理解析语料库的新方法。WHLL 利用维基百科中的超链接，为多个位置表达式标注坐标。通过该方法，我们构建了 WHLL 语料库，这是一个新的大规模地理解析语料库。WHLL 语料库包含 130 万篇文章，每篇平均包含约 7.8 个唯一的位置表达式。45.6% 的位置表达式存在歧义，即用相同表示法指代多个地点。在每篇文章中，文章标题的位置表达式以及指向其他文章的超链接位置表达式都被赋予了坐标。通过利用超链接，即使在文本中存在歧义位置表达式的情况下，我们也能准确地为其赋予坐标。实验结果表明，在消解位置表达式歧义方面仍有改进空间。