面向小说进行人物属性抽取的结果可以用于引导式对话系统的构建以及知识图谱的构建等。属性抽取任务目前还大量使用基于规则库的方法,而与它相似的关系抽取任务目前主要有使用神经网络的Pipeline方式和Joint Model方式两种解决思路。其中Pipeline方式一般包括命名实体识别和关系抽取两个模型。本文实现了面向小说场景的人物属性抽取系统,其中人物属性包括性格、年龄、外貌以及风格四种。人物属性抽取系统的主要模块包括命名实体识别模块、属性抽取模块和可视化模块。本文主要的研究内容包括:(1)本文建立了小说场景的命名实体识别数据集以及属性抽取数据集,以便于进行小说场景的命名实体识别和属性抽取相关实验。针对命名实体识别问题,本文结合命名实体识别主流模型BiLSTM-CRF与迁移学习模型BERT构建了 BB-CRF模型,针对小说这个应用场景,还设计了实体回溯、长实体覆盖短实体等规则进一步提高了命名实体识别的效果。在小说实体识别数据集上的实验表明,BB-CRF的效果最佳,对于属性实体的F1值可以达到82.54%。在预训练模型BERT的选用问题上,本文对比了谷歌公开的中文BERT-base、哈工大-科大讯飞联合发布的全词mask中文BERT-base以及本文使用哈工大中文BERT-base初始化在4500本多种类型小说上多卡训练的中文BERT-base。(2)在属性抽取问题上,本文借鉴ESIM模型的思想将属性抽取问题视为人名-属性实体对对应关系判定的二分类问题,并构建了基于BERT的LI-Transformer模型,在属性抽取数据集上的实验结果表明,LI-Transformer模型效果最佳,达到了 90.35%。(3)最后,本文对于人物属性抽取的结果通过Neo4j数据库进行了可视化。