王瀚琳

摘要：實(shí)體關(guān)系信息抽取涉及基于實(shí)體的上下文信息和來自注釋的信息，從不規(guī)則文本中提取與任務(wù)關(guān)聯(lián)的實(shí)體之間的關(guān)系信息。實(shí)體關(guān)系抽取是指根據(jù)實(shí)體的上下文信息和命名實(shí)體的注釋信息，從不規(guī)則文本中提取任務(wù)相關(guān)實(shí)體之間的關(guān)系信息。本文介紹了幾種具有代表性的實(shí)體關(guān)系抽取技術(shù)，以望為之后的研究者提供一定的參考。

關(guān)鍵詞：實(shí)體關(guān)系;監(jiān)督學(xué)習(xí);半監(jiān)督學(xué)習(xí);無監(jiān)督學(xué)習(xí)

中圖分類號：TP391.1文獻(xiàn)標(biāo)識碼：A文章編號：1672-9129（2020）13-0045-01

隨著機(jī)器學(xué)習(xí)和深度學(xué)習(xí)的發(fā)展，統(tǒng)計(jì)機(jī)器學(xué)習(xí)方法在挖掘相關(guān)任務(wù)中的應(yīng)用變得越來越普遍，包含的種類也有很多，本文將介紹它的幾個主要的類別。

1關(guān)系抽取研究現(xiàn)狀

目前，在信息抽取領(lǐng)域中，SemEval-2010的評測任務(wù)八數(shù)據(jù)集，至今仍然是關(guān)系抽取任務(wù)中重要的評測數(shù)據(jù)集。

通過有監(jiān)督的機(jī)器學(xué)習(xí)方法從不規(guī)則的文本中抽取出實(shí)體之間的主要關(guān)系的方法主要有兩種：一是將文本的語義信息表示為向量;二是將文本的語義信息通過核函數(shù)映射到高維空間，從高維空間中抽取出實(shí)體之間主要關(guān)系的方法。

基于半監(jiān)督機(jī)器學(xué)習(xí)的實(shí)體關(guān)系抽取模型，首先，是用人工的方式選取少量的高質(zhì)量的規(guī)則作為模板。然后，根據(jù)模板不斷地從數(shù)據(jù)集中進(jìn)行迭代抽取出新的模板，新的模板評估結(jié)果符合預(yù)期后，會被添加到模板的集合中用于后續(xù)的迭代計(jì)算。具有代表性的基于半監(jiān)督機(jī)器學(xué)習(xí)的實(shí)體關(guān)系抽取工作，是2015年Agichtein開發(fā)的Snowball系統(tǒng)。

基于無監(jiān)督機(jī)器學(xué)習(xí)的實(shí)體關(guān)系抽取模型主要是通過聚類的方式從數(shù)據(jù)集中抽取出實(shí)體關(guān)系，此種方法雖然在技術(shù)和操作流程上比較簡答，但它在效果和性能方法并不令人滿意。

2基于規(guī)則匹配的關(guān)系抽取

在研究初期，研究者主要采用基于規(guī)則匹配的方法用于提取實(shí)體之間的關(guān)系，它適用于沒有規(guī)律的文本，但這些類型的規(guī)則對于較長范圍的模式和具有更大多樣性的序列來說是不適用的。這種方法在進(jìn)行實(shí)體關(guān)系抽取任務(wù)時需要較多的人工干預(yù)，根據(jù)不同的任務(wù)需要相應(yīng)領(lǐng)域的專家設(shè)計(jì)抽取規(guī)則，因此基于規(guī)則匹配的關(guān)系抽取方法存在很強(qiáng)的局限性，而且泛化能力差可移植性不強(qiáng)。

隨著規(guī)則集合的擴(kuò)充，使用基于規(guī)則匹配的方法處理復(fù)雜的實(shí)體關(guān)系類型抽取的任務(wù)時，規(guī)則之間可能會發(fā)生沖突從而降低模型的效果。

3基于監(jiān)督學(xué)習(xí)的關(guān)系抽取

在監(jiān)督學(xué)習(xí)的框架下，需要將數(shù)據(jù)集中的數(shù)據(jù)進(jìn)行標(biāo)注。這一類方法一般將關(guān)系抽取任務(wù)作為分類問題進(jìn)行建模，從文本中抽取兩個實(shí)體之間的關(guān)系可以看作找到一個合適的映射函數(shù)，通過映射函數(shù)計(jì)算出兩個實(shí)體之間概率最大的實(shí)體關(guān)系類型。

監(jiān)督學(xué)習(xí)模型需要進(jìn)行數(shù)據(jù)的處理和特征的提取，以便使用機(jī)器學(xué)習(xí)或深度學(xué)習(xí)過程中構(gòu)造分類器，從而有利于模型進(jìn)行分類和測試數(shù)據(jù)中實(shí)體之間的關(guān)系。

根據(jù)句子的特征信息構(gòu)建表示句子特征的方法，常使用的特征信息有實(shí)體信息、實(shí)體類型信息、實(shí)體相對距離信息、實(shí)體之間單詞序列信息等。但是基于句子特征信息的關(guān)系抽取只獲取了淺層的句子信息，而基于核函數(shù)的關(guān)系抽取可以將特征映射到高維空間，從高維空間對句子進(jìn)行分析，常用的核函數(shù)有字符串核、句法樹核、詞袋核、依存句法核等核函數(shù)。

優(yōu)點(diǎn)是高質(zhì)量的監(jiān)督信號和有明確的負(fù)樣本，缺點(diǎn)是標(biāo)注樣本成本高，增加新的關(guān)系難且成本高，對于新領(lǐng)域不具有很好的泛華性，使用范圍小，只對一小部分相關(guān)類型可用，不具有遷移性。

無論是基于句子特征信息的關(guān)系抽取方法，還是基于核函數(shù)的關(guān)系抽取方法，都需要人工設(shè)計(jì)特征的表示方法。

4基于半監(jiān)督學(xué)習(xí)和無監(jiān)督學(xué)習(xí)的關(guān)系抽取

基于半監(jiān)督學(xué)習(xí)中的bootstrap方法的關(guān)系抽取模型的研究重點(diǎn)，是通過少量標(biāo)注的數(shù)據(jù)集進(jìn)行規(guī)則的學(xué)習(xí)，然后根據(jù)少量的實(shí)例或模板，在大規(guī)模的未標(biāo)注的數(shù)據(jù)中抽取新的模板，為了防止誤差的疊加，需要對新模板進(jìn)行評估，將準(zhǔn)確率達(dá)到閾值標(biāo)準(zhǔn)的模板添加到模板庫中，然后繼續(xù)進(jìn)行迭代抽取。雖然基于無監(jiān)督學(xué)習(xí)的關(guān)系抽取方法省略了人工標(biāo)注數(shù)據(jù)集的步驟，減少了人工干預(yù)，但是，通過聚類的方式抽取出的結(jié)果很難映射到實(shí)際的實(shí)體關(guān)系類型中，無法對結(jié)果進(jìn)行分類。

半監(jiān)督學(xué)習(xí)的優(yōu)點(diǎn)是可以發(fā)現(xiàn)比基于規(guī)則的關(guān)系提取更多的關(guān)系和更少的人力投入，因?yàn)樗恍枰哔|(zhì)量的種子。缺點(diǎn)是隨著每次迭代，模式的集合更容易出錯、在通過元組共現(xiàn)生成新模式時必須十分小心和新的關(guān)系類型需要新的種子，即需要手動提供。

無監(jiān)督學(xué)習(xí)的優(yōu)點(diǎn)是幾乎不需要標(biāo)注訓(xùn)練數(shù)據(jù)，且不需要我們手動預(yù)先指定每個甘心去的關(guān)系，而是考慮所有可能的關(guān)系類型。缺點(diǎn)是系統(tǒng)的表現(xiàn)在很大程度上取決于約束和啟發(fā)法的構(gòu)造有多好和關(guān)系不像預(yù)先指定的關(guān)系類型那樣規(guī)范化。

5實(shí)體關(guān)系抽取技術(shù)的創(chuàng)新

針對空間實(shí)體識別任務(wù)，在傳統(tǒng)的雙向長短期記憶網(wǎng)絡(luò)和條件隨機(jī)場混合模型的基礎(chǔ)上進(jìn)行了改進(jìn)。在特征表示層增加用于提取詞向量語義特征的全連接神經(jīng)網(wǎng)絡(luò)，這種改進(jìn)方式可以提升模型的特征提取能力。

通過在關(guān)系抽取的流程中添加空間實(shí)體類型識別模塊，對傳統(tǒng)的關(guān)系抽取方法進(jìn)行了改進(jìn)。改進(jìn)后的方法可以識別出訓(xùn)練樣本中未出現(xiàn)的關(guān)系類型。

6總結(jié)

根據(jù)不同的應(yīng)用場景，選取合適的模型方法來對抽取實(shí)體之間的關(guān)系以滿足認(rèn)為的需求是重要的研究領(lǐng)域。實(shí)體關(guān)系技術(shù)作為信息抽取技術(shù)的重要組成部分，人具有重要意義，如何根據(jù)不同場景選取合適的實(shí)體關(guān)系抽取技術(shù)，仍需要研究者們進(jìn)一步探索與創(chuàng)新。

參考文獻(xiàn)：

[1] 張春云.實(shí)體關(guān)系抽取算法研究 [D].北京：北京郵電大學(xué)，2015.

[2] 譚鋒，李天真，崔亮亮.Web信息抽取系統(tǒng)研究綜述 [J].科技創(chuàng)新導(dǎo)報

[3] 李保利，陳玉忠，俞士汶.信息抽取研究綜述 [J].計(jì)算機(jī)工程與應(yīng)用，2003 （10）：1-5.