知识图谱-基于规则-知识抽取简介

摘自徐阿衡，加入一些理解和注释

介绍

知识抽取涉及的“知识”通常是 清楚的、事实性的信息，这些信息来自不同的来源和结构，而对不同数据源进行的知识抽取的方法各有不同，从结构化数据中获取知识用 D2R，其难点在于复杂表数据的处理，包括嵌套表、多列、外键关联等，从链接数据中获取知识用图映射，难点在于数据对齐，从半结构化数据中获取知识用包装器，难点在于 wrapper 的自动生成、更新和维护，这一篇主要讲从文本中获取知识，也就是我们广义上说的信息抽取。

信息抽取三个最重要/最受关注的子任务：

实体抽取
也就是命名实体识别，包括实体的检测（find）和分类（classify）
关系抽取
通常我们说的三元组（triple） 抽取，一个谓词（predicate）带 2 个形参（argument），如 Founding-location(IBM,New York)
事件抽取
相当于一种多元关系的抽取（不做介绍）

一、实体抽取 / 命名实体识别（NER）

实体抽取或者说命名实体识别（NER）在信息抽取中扮演着重要角色，主要抽取的是文本中的原子信息元素，如人名、组织/机构名、地理位置、事件/日期、字符值、金额值等。实体抽取任务有两个关键词：find & classify，找到命名实体，并进行分类。

ex：
主要应用：

命名实体作为索引和超链接
情感分析的准备步骤，在情感分析的文本中需要识别公司和产品，才能进一步为情感词归类
关系抽取（Relation Extraction）的准备步骤
QA 系统，大多数答案都是命名实体

传统机器学习方法

标准流程：
Training:

1.收集代表性的训练文档
2.为每个 token（分词后的短语，个人理解） 标记命名实体(不属于任何实体就标 Others O)
3.设计适合该文本和类别的特征提取方法
4.训练一个 序列分类器（ sequence classifier） 来预测数据的 label（类别，人物，地点等）

Testing:

1.收集测试文档
2.运行 序列分类器 给每个 token 做标记
3.输出命名实体（NE）

特征选择（Features for sequence labeling）
来看一个比较重要的 特征（feature）
Word substrings（子串）
Word substrings (包括前后缀)的作用是很大的，以下面的例子为例，NE（命名实体） 中间有 ‘oxa’ 的十有八九是 drug，NE 中间有 ‘:’ 的则大多都是 movie，而以 field 结尾的 NE 往往是 place。

实体链接,消歧
实体识别完成之后还需要进行归一化，比如万达集团、大连万达集团、万达集团有限公司这些实体其实是可以融合的。
主要步骤如下：

1.实体识别
命名实体识别，词典匹配

2.候选实体生成
表层名字扩展，搜索引擎，查询实体引用表

3.候选实体消歧
图方法，概率生成模型，主题模型，深度学习

关系抽取

关系抽取 需要从文本中抽取两个或多个实体之间的语义关系，主要方法有下面几类：

基于模板的方法(hand-written patterns) （也称作基于规则）

• 基于触发词/字符串（模式）
• 基于依存句法（以动词为起点构建规则，对节点上的词性和边上的依存关系进行限定）
  小结
  手写规则的 优点 是：
• 人工规则有高准确率(high-precision)
• 可以为特定领域定制(tailor)
• 在小规模数据集上容易实现，构建简单

缺点：

• 低召回率(low-recall)
• 特定领域的模板需要专家构建，要考虑周全所有可能的 pattern 很难，也很费时间精力
• 需要为每条关系来定义 pattern
• 难以维护
• 可移植性差

机器学习方法在本文不作详述

监督学习(supervised machine learning)

• 机器学习
• 深度学习（Pipeline vs Joint Model）

监督学习-小结
如果测试集和训练集很相似，那么监督学习的准确率会很高，然而，它对不同 genre 的泛化能力有限，模型比较脆弱，也很难扩展新的关系；另一方面，获取这么大的训练集代价也是昂贵的。

半监督/无监督学习(semi-supervised and unsupervised)

• Bootstrapping
• Distant supervision
• Unsupervised learning from the web

• 点赞
• 收藏
• 分享
• 文章举报