← 返回刚才阅读的位置

知识卡片

普通读书笔记卡 · 9811.j · 生成模型:DeepSeek-V4.1-Flash

关系抽取的写与学两条路

理解等级:中级

关系抽取的输出是三元组 <主体,谓词,客体>,如 <高斯,老师,古德曼>,表示高斯是古德曼的老师。谓词虽然是名词,装的却是两个实体之间的关系。

第一族是模式或规则:人工写出“X 出生于 Y”“X 死于 Y”这类句式模板,在句子里匹配实体对。优点是零训练、可解释、命中即高准确;缺点是要为每种关系、每种句式各写一条,换个领域或换种说法就漏。

第二族是基于学习,又分三种。监督学习把关系当分类问题,需要大量人工标注的实体对句子,还要做文本特征工程。远程监督用已有知识库对齐文本自动造标注——假设“同时包含这两个实体的句子在讲它们的关系”,代价是引入大量噪声。深度学习用 CNN 或 RNN 直接编码句子,减少特征工程:RNN 路线是双向循环加池化再 softmax;CNN 路线的关键设计是位置向量,把每个词到两个实体的相对距离编码成向量与词向量拼接,因为离实体越近的词对判断关系越有用,之后再用注意力给句子加权,压低无关片段的噪声。

共同瓶颈是标注:关系种类多、长尾关系样本极少,清洗远程监督的噪声往往比换模型更值钱。

这张卡片看不懂?

已有反馈 · 0 条

    还没有人提交反馈。

    在整书笔记中的位置

    原书出处 · 1 处

    • 第3章 知识图谱相关理论 · 查看原书依据

      对于关系抽取,我们同样可以选择两种方式:第一种是基于模式或规则的方式。这种方式很好理解,比如,X表示一个人物实体,Y表示一个时间实体,那么X与Y的时间关系就有很多种形式。

    参考来源

    - 位置:《智能搜索和推荐系统:原理、算法与应用(零基础掌握搜索和推荐系统的原理、架构、算法) (智能系统与技术丛书)》第3章 知识图谱相关理论(源文件:extracted/智能搜索和推荐系统:原理、算法与应用(零基础掌握搜索和推荐系统的原理、架构、算法) (智能系统与技术丛书)/_epub-src/text/part0045.html) - 结论依据:原文把关系抽取划为模式规则与基于学习两条路线,并说明模式路线靠人工定义“X 出生于 Y”这类关系式样。 - 原始内容:对于关系抽取,我们同样可以选择两种方式:第一种是基于模式或规则的方式。这种方式很好理解,比如,X表示一个人物实体,Y表示一个时间实体,那么X与Y的时间关系就有很多种形式。