一、实体关系抽取概述

什么是实体关系抽取

实体关系抽取，说白了就是让机器看懂文本里「谁和谁是什么关系」。

举个例子，给你一句话：

「马云创立了阿里巴巴」

人一眼就能看出来——「马云」和「阿里巴巴」之间是「创始人」的关系。但机器不行，它看到的只是一堆字符。实体关系抽取要做的，就是教会机器：

• 实体识别：找出「马云」（人）和「阿里巴巴」（公司）
• 关系分类：判断两者之间是「创立」关系

我习惯把这件事拆成两个子任务：命名实体识别（NER） 和 关系分类（RC）。前者负责「谁在哪」，后者负责「他们怎么了」。两个任务串起来，才算完整的抽取流程。

应用场景

你可能会问：这东西到底能干嘛？我挑三个最典型的场景说说。

知识图谱

知识图谱本质上就是一张巨大的「实体-关系-实体」网络。没有关系抽取，图谱就只剩下一堆孤立的节点，连不起来。

我记得有一次帮客户构建金融知识图谱，光「公司」和「高管」这两个实体类型，就涉及「董事长」「CEO」「监事」「独立董事」等十几种关系。手动标注？不现实。最后还是靠关系抽取模型自动搞定。

信息检索

传统搜索引擎靠关键词匹配，你搜「马云的公司」，它可能返回一堆包含「马云」和「公司」的页面。但如果你做了关系抽取，就能直接回答：「阿里巴巴」。这就是从「文档检索」到「知识问答」的跃迁。

问答系统

现在的智能问答，很多都依赖关系抽取。用户问「《三体》的作者是谁？」，系统先抽取出「《三体》」这个实体，再找到「作者」这个关系，最后返回「刘慈欣」。整个过程，关系抽取是中间的关键一环。

场景	典型应用	关系抽取的作用
知识图谱	企业知识库、百科图谱	构建实体间的语义连接
信息检索	智能搜索、文档理解	从关键词匹配升级为语义匹配
问答系统	智能客服、知识问答	定位问题中的实体与关系

技术发展脉络

关系抽取这条路，走了快二十年。我把它分成三个阶段来讲。

第一阶段：规则驱动时代

早期做关系抽取，全靠人工写规则。比如：

如果文本匹配模式：「[人物] 创立了 [组织]」
则关系 = 「创始人」

这种方法的优点是精准，缺点是累死人。我曾经接手过一个项目，前辈写了3000多条规则，覆盖了50多种关系。但换一个领域（比如从新闻换到医疗），规则基本全废，得重写。

第二阶段：统计机器学习时代

后来大家发现，与其手写规则，不如让模型从数据里学。这个阶段的主流方法包括：

• 基于特征的方法：提取词性、句法路径、距离等特征，喂给SVM或最大熵模型
• 基于核函数的方法：利用树核、图核来捕捉结构信息

我记得2015年左右做中文关系抽取，特征工程占了80%的工作量。词性标注、依存句法分析、实体位置编码……每加一个特征，模型效果可能提升0.5个点，但代码复杂度翻倍。嗯，那时候的痛，现在想想还挺怀念的。

第三阶段：深度学习时代

2015年以后，深度学习彻底改变了关系抽取的玩法。核心变化是：不再需要手工设计特征，模型自己学。

几个关键里程碑：

• CNN + 位置嵌入：最早把卷积网络用在关系抽取上，效果碾压传统方法
• PCNN + 远程监督：利用远程监督自动生成训练数据，解决了标注数据不足的问题
• BERT 时代：预训练模型一统天下，关系抽取变成了「BERT + 分类头」的简单结构

现在的主流做法，基本就是拿预训练模型做编码，再加一个关系分类器。你想想看，以前要花几周做特征工程，现在几行代码就能跑出不错的效果。技术迭代就是这么残酷又迷人。

本章知识体系

下面这张图，是我梳理的实体关系抽取整体知识框架。你可以把它当作整个课程的地图。

这张图把整个知识体系串起来了。从上到下看：先理解任务定义，再拆解成两个子任务，然后沿着技术演进路线走，最后落到具体应用场景。后面的章节，我会按照这个框架一步步展开。

---