实体关系抽取在实际生产中，尤其是中小企业，更倾向于使用规则方法，而非复杂的机器学习模型。由于缺乏大量标注数据和对效率的要求，专家制定的规则成为首选。尽管深度学习等先进技术在研究中有优秀表现，但在资源有限的环境下，它们的实际应用并不广泛。
生产中实体关系抽取一般采用什么方法？
实体关系抽取有很多种方法，如基于特征向量的方法，基于核函数的方法，基于Bootstrapping的方法，基于深度学习的方法等等。看了很多这些方面的论文，各自评价不同，都有优缺点，在实际生产环境中，那种方法使用的更多，或者是一种综合使用的关系么？
负责任地告诉你，在实际公司项目（尤其是中小企业），都不是用什么learning-based methods, 而是规则！没错，规则，尤其是特定的领域的任务。
当然了，大厂除外，大厂玩得起。
为什么？你想啊，第一，哪来的大量标注语料？标注数据工作是极其labor-intensive。第二，在under ground的应用上，专家知识制定的规则才是让抽取工作既正确又高效的做法，还简单。第三，即便是用learning models, 拿到一套语料，如果很烂、很不规整，抽取效果拿不出手，实际的项目效果没你实验跑出来的那么好，recall 非常低。
至于你说的state of the art, 在读论文做实验自己跑跑open datasets就好了。
扫一扫
244
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
