4. 产业链关系抽取：关系类型与实现方法

关系抽取，说白了就是让机器看懂企业之间到底是什么关系。

我刚开始做产业链建模时，以为这步很简单。不就是判断两家公司有没有合作嘛？后来发现，真实世界的关系远比想象中复杂。同一对企业在不同时间、不同场景下，可能同时存在竞争、合作、投资等多种关系。

这一章，我就带你梳理清楚产业链中的关系类型，以及两种主流的抽取方法——模板匹配和深度学习。

4.1 产业链中的四大关系类型

根据我多年项目经验，产业链上的企业关系可以归纳为四种核心类型。其他复杂关系，基本都是这四类的组合或变体。

关系类型	定义	典型文本特征	示例
供应关系	A向B提供原材料、零部件或服务	"供货"、"采购"、"供应商"、"下游"	宁德时代向特斯拉供应电池
竞争关系	A与B在同一市场争夺份额	"竞争对手"、"对标"、"直面竞争"	美团与饿了么在本地生活领域竞争
合作关系	A与B共同开展业务或项目	"战略合作"、"联合研发"、"携手"	华为与赛力斯合作造车
投资关系	A持有B的股权或提供资金	"投资"、"持股"、"控股"、"融资"	红杉资本投资字节跳动

4.2 基于模板的关系抽取

模板方法，是我早期项目中最常用的手段。它不依赖大量标注数据，适合快速验证。

4.2.1 模板设计原则

我总结了一套模板设计的经验：

• 触发词优先：找到关系最明显的动词或名词，比如"投资"、"供货"
• 位置约束：实体A和B在触发词前后的位置关系
• 句法模式：比如"<实体A> 向 <实体B> 提供 <产品>"

4.2.2 代码示例：基于正则的模板抽取

import re

# 定义供应关系模板
supply_patterns = [
    r"(<实体A>).*?向.*?(<实体B>).*?提供",
    r"(<实体A>).*?供货给.*?(<实体B>)",
    r"(<实体B>).*?从.*?(<实体A>).*?采购"
]

def extract_relation_by_template(text, entity_a, entity_b):
    """
    基于模板抽取关系
    """
    for pattern in supply_patterns:
        # 替换实体占位符
        filled_pattern = pattern.replace("<实体A>", entity_a)
        filled_pattern = filled_pattern.replace("<实体B>", entity_b)
        
        match = re.search(filled_pattern, text)
        if match:
            return "供应关系"
    return None

# 测试
text = "宁德时代向特斯拉提供磷酸铁锂电池"
result = extract_relation_by_template(text, "宁德时代", "特斯拉")
print(result)  # 输出：供应关系

4.2.3 模板方法的优缺点

优势	劣势
无需标注数据，快速上线	模板覆盖不全，召回率低
结果可解释性强	跨领域迁移困难
计算资源消耗低	维护成本随规模增长

4.3 基于深度学习的关系抽取

深度学习方法的优势在于——它能自动学习文本中的语义特征，不需要人工设计模板。

4.3.1 主流模型架构

目前工业界最常用的方案是：

• BERT + 分类头：将实体对和上下文拼接，输入BERT，输出关系类别
• BiLSTM + Attention：适合长文本，捕捉序列依赖
• Prompt-based方法：将关系抽取转化为完形填空任务

4.3.2 代码示例：基于BERT的关系分类

from transformers import BertTokenizer, BertForSequenceClassification
import torch

# 加载预训练模型
tokenizer = BertTokenizer.from_pretrained('bert-base-chinese')
model = BertForSequenceClassification.from_pretrained(
    'bert-base-chinese', 
    num_labels=4  # 供应、竞争、合作、投资
)

def predict_relation(text, entity_a, entity_b):
    """
    使用BERT预测实体间关系
    """
    # 构造输入：在实体前后加入特殊标记
    marked_text = text.replace(
        entity_a, "[E1]" + entity_a + "[/E1]"
    ).replace(
        entity_b, "[E2]" + entity_b + "[/E2]"
    )
    
    # 编码
    inputs = tokenizer(
        marked_text, 
        return_tensors="pt", 
        max_length=128, 
        truncation=True
    )
    
    # 预测
    with torch.no_grad():
        outputs = model(**inputs)
        logits = outputs.logits
        predicted_class = torch.argmax(logits, dim=1).item()
    
    # 关系映射
    relation_map = {0: "供应", 1: "竞争", 2: "合作", 3: "投资"}
    return relation_map[predicted_class]

# 测试
text = "华为与赛力斯签署了深度合作协议"
result = predict_relation(text, "华为", "赛力斯")
print(result)  # 输出：合作

4.3.3 训练数据准备

深度学习需要标注数据。我常用的标注格式：

{
  "text": "宁德时代向特斯拉供应电池",
  "entities": [
    {"name": "宁德时代", "type": "公司", "offset": [0, 4]},
    {"name": "特斯拉", "type": "公司", "offset": [5, 8]}
  ],
  "relation": {
    "type": "供应",
    "head": 0,  # 指向第一个实体
    "tail": 1   # 指向第二个实体
  }
}

4.4 两种方法的对比与选择

你可能会问：到底该用模板还是深度学习？

我的建议是：

• 冷启动阶段：先用模板方法快速出结果，积累数据
• 数据量充足时（>5000条标注）：切换到深度学习方法
• 混合策略：模板做兜底，深度学习做主力，两者互补

4.5 本章知识体系

下面这张图，帮你理清关系抽取的整体脉络：

关系抽取是整个产业链建模的核心环节。模板方法让你快速起步，深度学习帮你提升精度。两者结合，才是工业级方案的正确打开方式。