基于维基百科的冬奥会概念下的低频词条双语迭代扩展

王 星，陶明阳，侯 磊，于济凡，单力秋，张馨如，陈 吉

(1. 辽宁工程技术大学 电子与信息工程学院，辽宁 葫芦岛 125105；2. 清华大学 计算机科学与技术系，北京 100084；3. 清华大学 人工智能研究院知识智能研究中心，北京 100084；4. 清华大学 北京信息科学与技术国家研究中心，北京 100084)

0 引言

随着2022年北京张家口冬季奥林匹克运动会的临近，人们对冬奥会相关知识的需求越来越大，因此有必要构建一个与冬奥会相关的垂直领域知识图谱。目前，获取冬奥会术语词条的权威途径有冬奥会术语查询网和国际奥委会官方网站，但它们都有各自的局限性。冬奥会术语查询网可查询六种语言的术语信息，但缺少历届比赛运动员、获奖运动员、举办城市、比赛场地等信息,国际奥委会官方网站可查询历届冬奥会中各项目的获奖运动员的信息，但只有英文资料可供查询。因此，有必要对已有的冬奥会术语集进行补充，类似于集合扩展[1]的工作。

目前，集合扩展已经做了很多的工作，可以将它们分成两类。早期，集合扩展的方式都是基于web完成的[2-4]。这种方法虽然有较高的准确率，但是存在时间花费较长、查询花费较大等问题。Word2Vec模型出现后，集合扩展的方式逐渐转向了基于语料库[5]的扩展，这种方法也是目前常用的集合扩展方法[6-9]，但这种方法在扩展冬奥会中文术语时效果较差，原因是冬奥会相关的词条整体词频较低、数量较少，训练时收集到的语义信息[10]会有部分缺失，扩展时出现语义漂移[11]的现象，导致扩展出的新词集合中有大量噪声数据。……