优化元组关系

NLP之关系抽取（信息抽取、三元组抽取）（附pytorch代码）

nlp中的实体关系抽取方法总结

实体关系抽取（Entity and Relation Extraction, ERE）是信息抽取的关键任务之一。ERE是级联任务，分为两个任务：实体抽取和关系抽取，如何更好地处理这种类似的级联任务是NLP的一个热点研究方向。

与联合抽取对比，Pipeline方法有哪些缺点？
Pipeline方法旨在先抽取实体，再抽取关系。相比于传统的Pipline方法（？？），联合抽取能获得更好的性能。虽然Pipeline方法易于实现，这两个抽取模型的灵活性高，实体模型和关系模型可以使用独立的数据集，并不需要同时标注实体和关系的数据集。但存在以下缺点：
1. 误差累计：实体抽取的错误会影响下一步关系抽取性能。
2. 实体冗余：由于先对抽取的实体进行两两配对，然后再进行关系分类，没有关系的候选实体对所带来的冗余信息，会提升错误率，增加计算复杂度。
3. 交互缺失：忽略了这两个任务之间的内在联系和依赖关系。
注：基于共享参数的联合抽取方法仍然存在训练和推断时的gap，推断时仍然存在误差积累问题，可以说只是缓解了误差累计问题。）

Pipline中的关系分类常见方法：
1. 模板匹配：关系分类中最常见的方法，使用一个模板库对输入文本两个给定实体进行上下文匹配，如果满足模板对应关系，则作为实体对之间的关系。
2. 半监督学习
3. 监督学习：主要分为基于特征、核函数、深度学习三种方法；基于特征的方法需要定义特征集合，核函数不需要定义特征集合、在高维空间进行计算。
模板匹配：
人工模板（什么样子？？？）：主要用于判断实体间是否存在上下位关系。上下位关系的自然语言表达方式相对有限，采用人工模板就可以很好完成关系分类。但对于自然语言表达形式非常多的关系类型而言，这就需要采取统计模板。
统计模板：无须人工构建，主要基于搜索引擎进行统计模板抽取。具体地，将已知实体对作为查询预计，住区搜索引擎返回的前n个结果文档并保留包含该实体对的句子集合，寻找包含实体对的最长字串作为统计模板，保留置信度较高的模板用于关系分类。
基于模板匹配的关系分类构建简单、适合于小规模特定领域，但召回率低、可移植性差，当遇到另一个领域的关系分类需要重新构建模板。
半监督学习
bootstrapping（自举）：利用少量的实例作为初始种子集合，然后在种子集合上学习获得关系抽取的模板，再利用模板抽取更多的实例，加入种子集合中并不断迭代。
bootstrapping的优点：构建成本低，适合大规模的关系任务并具备发现新关系的能力，但也存在对初始种子较为敏感、存在语义漂移、准确率等问题。
远程监督：其主要的基本假设是，如果一个实体对满足某个给定关系，那么同时包含该实体对的所有句子（构成一个Bag）都可能再阐述该关系。可以看出，该假设是一个非常强的假设，实际上很多包含该实体对的句子并不代表此种关系，会引入大量噪声。为了缓解这一问题，主要采取【多示例学习】、【强化学习】和【预训练机制】

句法分析：句法分析一般会分为成分句法分析 (Constituency Parsing) 与依存句法分析 (Dependency Parsing) ，借助下图可以清晰地看出两者区别：

前者基于词语结构的文法，后者通过词语间的语法关系的文法。通俗理解就是，前者是从一个句子、分解为若干个词语组、最后到分解到一个单词，建立语法结构分析；后者是通过词语之间的语言学联系，建立语法结构分析。

• 依存句法分析（Dependence Parsing，DEP）：识别语句中词与词之间的依存关系，并揭示其句法结构，包括主谓关系、动宾关系和核心关系等。HanLP-DEP-document
• 成分句法分析（Constituen：句子的组成成分叫句子成分，也叫句法成分。在句子中，词与词之间有一定的组合关系，按照不同的关系，可以把句子分为不同的组成成分。句子成分由词或词组充当。句法结构分析是指对输入的单词序列（一般为句子）判断其构成是否合乎给定的语法，分析出合乎语法的句子的句法结构。句法结构一般用树状数据结构表示，通常称之为句法分析树(syntactic parsing tree)或简称分析树（parsing tree），而完成这种分析过程的程序模块称为句法结构分析器（syntactic parser），也简称分析器（parser）。

语义角色标注（Semantic Role Labeling，SRL）以句子的谓词为中心，不对句子所包含的语义信息进行深入分析，只分析句子中各成分与谓词之间的关系，即句子的谓词（Predicate）- 论元（Argument）结构，并用语义角色来描述这些结构关系。

HanLP-SRL

 

 

自然语言处理(NLP)一些任务的总结

 

四元组抽取1.0：配置组织和指标名称字典，然后通过字典中的数据抽取出组织和指标对应的时间和指标值，对应的方式包括距离指标最近的数值。例如在建立一张公司名称字典和指标字典（GDP，GDP增长率等）。这样的方式准确率高，但是泛化性不好，遇到字典中没有的指标值，就无法抽取出四元组。