信息抽取（NLP)是什么技术有哪些应用？

信息抽取是将非结构化的信息转化为结构化信息的过程。一般应用于电商平均分析、知识图谱和大模型训练。

不同模型的对比

1. 规则模型

• 优点
  • 简单直观：基于人工设定的规则，不需要大量的数据集进行训练，只要规则制定者对目标信息有清晰的理解即可开始构建。例如，对于一些具有严格格式的文本内容（如身份证号码识别，按照固定的数字位数和结构）或者特定领域内非常规则的用语（比如某些科学术语的识别），简单且效果较好。
  • 可解释性强：每一个抽取结果都能够根据设定的规则清晰地解释。比如在根据特定语法规则抽取句子中的主语和谓语时，如果出现抽取错误，可以很容易检查出是哪一条规则出现问题。
• 缺点
  • 缺乏泛化性：只能处理符合预先设定规则的情况，一旦文本的格式或者内容稍微变动，可能就无法正确抽取。例如，在处理不同语言习惯下的相同语义表达时，如果规则是按照某一种特定语言习惯制定的就难以适应其他习惯。
  • 难以处理复杂结构：对于复杂的语言结构和语义关系，规则的制定会变得十分复杂，当规则数量庞大时甚至可能会相互冲突。例如在解析复杂的倒装句或者包含多重修饰关系的句子时。