实体集自动扩展技术是通过种子实体集合,结合语料库中的文本信息,扩展出新的同类型实体的技术。在构建知识库、在线问答等领域中有着广阔的应用前景。现有实体集合扩展系统的输入是一个特定类型的种子实体集合和特定领域下的语料库,输出则为所得到的同类的新实体集合。传统的实体集合扩展技术主要有基于概率模型、分布相似性、词向量等的方法。通过提取种子实体在语料中的相应特征,借助该特征匹配其他新实体。然而,传统方法存在模板去噪和实体语义偏移这两个难点。首先,由实体提取出的模板存在噪声,而这些噪声会在后续新实体的扩展中引入错误。其次,新实体和种子实体存在语义差距,这种差距会随着扩展次数逐渐增大,最终产生语义偏移。为了解决以上两个难点,本文提出了一个基于子集划分和权重衰减的实体集合扩展算法,由上下文模板集合评估和候选实体集合评估两部分组成。其中上下文模板集合评估使用种子实体集合的子集提取出子模板集合,分别对于每一个子模板集合进行预排序。归并各个子模板集合的预排序得到最终排序并提取出新模板集合。能够提取出多个种子实体共同的模板而去除仅单个种子实体提取的模板。候选实体集合评估利用新模板集合的子集提取出候选实体子集,并且分别对于每一个候选实体子集进行预排序,归并各个候选实体子集的预排序得到最终排序提取出新实体集合。在预排序过程中候选实体的权重随着迭代次数进行衰减,某一次迭代出现的候选实体是正确实体的可能性低于前一次的候选实体是正确实体的可能性,这与实际情况符合。降低错误实体的概率,以减轻新实体引入语义偏移的影响。本文在化学药品语料上对提出的实体集合扩展方法进行评估,比现有算法取得了更高的查准率。同时,由于多个种子实体子集划分归并提取了更有效的模板集合,多个模板子集划分归并提取了更有效的新实体,按照迭代次数权重衰减降低了错误实体的权重。在论文的最后,本文分析并指出了该方法可能的改进方向。