u013250861的博客

回顾整个过程，对于中文关系提取这个比较复杂的任务，我们的方法完全没有构造n-gram、词性、依存句法等复杂特征，使用深度学习模型，甚至不需要中文分词，只依靠字向量和大量训练语料就得到了一个效果不错的端到端模型。一个小问题是，相同的关系label在复旦知识工厂中可能对应着不同的标注，比如“夫妻”，抓取到的数据里有的是“丈夫”，有的是“妻子”，有的是“伉俪”等等，需要手动对齐。得到实体对，获取实体对共同出现的语句，我们直接借助百度、搜狐、360等的新闻搜素功能，抓取实体对共同出现的新闻在搜索列表中的摘要。

NLP-信息抽取：关键词抽取【TF-IDF算法、TextRank算法】

人工智能-自然语言处理(NLP)-应用场景：知识抽取/信息抽取（Information Extraction）

深度学习-自然语言处理(NLP)-文本预处理：关系抽取【基于命名实体识别、依存句法分析】

NLP-信息抽取-关系抽取-2014：CNN关系识别【Relation Classification via Convolutional Deep Neural Network】

《原始论文：Classifying Relations by Ranking with Convolutional Neural Networks》《原始论文：Distant Supervision for Relation Extraction via Piecewise Convolutional Neural Networks》

《原始论文：Attention-based bidirectional long short-term memory networks for relation classification》

《原始论文：End-to-End Relation Extraction using LSTMs on Sequences and Tree Structures》

《原始论文：Joint entity and relation extraction based on a hybrid neural network》参考资料：基于神经网络的实体识别和关系抽取联合学习

《原始论文：Joint Extraction of Entities and Relations Based on a Novel Tagging Scheme》