第三章：实体识别与关系抽取

命名实体识别（NER）在财报中的应用

做财报分析，第一步是什么？

我个人习惯，先把一堆非结构化的文本，变成结构化的数据。说白了，就是让机器能看懂财报里到底在说谁、说了什么。

命名实体识别（NER）就是干这个的。它能把文本里的专有名词拎出来，比如公司名、人名、地名、金额、日期。我刚开始做这个项目时，觉得这玩意儿挺简单，不就是个词性标注吗？后来发现，财报里的坑，比想象中多得多。

你想想看，如果连“贵州茅台”和“贵州茅台酒”都分不清，后面的关系抽取就全乱套了。我在项目中遇到过，有些模型把“茅台集团”和“贵州茅台”当成同一个实体，结果股权结构图直接画错了。

关系抽取技术

实体识别完了，接下来就是关系抽取。这一步，说白了就是找“谁和谁有什么关系”。

举个例子：“腾讯持有美团17%的股份”。这里“腾讯”和“美团”是实体，“持有股份”就是关系。关系抽取的目标，就是把这种语义关系从文本里挖出来。

常用的关系抽取方法，我总结了一下：

方法	原理	适用场景
基于规则	写正则表达式或模板匹配	格式固定的文本，比如“XX公司持有YY公司XX%股份”
基于机器学习	用CRF、SVM等模型做序列标注	数据量中等，需要一定泛化能力
基于深度学习	用BERT、LSTM等模型做端到端抽取	数据量大，文本表达多样
基于大模型	用GPT、LLaMA等做少样本或零样本抽取	冷启动、快速验证

构建财务实体关系三元组

实体和关系都有了，接下来就是组装成三元组。三元组的结构很简单：(头实体, 关系, 尾实体)。

比如：

• (腾讯, 持有股份, 美团)
• (马化腾, 担任职务, 腾讯董事会主席)
• (贵州茅台, 营业收入, 1.2亿元)

这些三元组，就是知识图谱的基本单元。你想想看，把几万条这样的三元组连起来，就能画出一张完整的财务关系网。

构建三元组时，有几个坑要注意：

我曾经踩过一个坑：把“公司”这个泛指实体也抽出来了，结果三元组里全是(公司, 持有, 公司)这种废话。后来我加了一个实体过滤规则，只保留专有名词，才把数据质量提上来。

下面是我常用的一个简单抽取流程，用Python伪代码表示：

def extract_triples(text):
    # 1. 实体识别
    entities = ner_model.predict(text)
    # 2. 关系抽取
    relations = re_model.predict(text, entities)
    # 3. 组装三元组
    triples = []
    for rel in relations:
        head = rel.head_entity
        tail = rel.tail_entity
        relation = rel.relation_type
        triples.append((head, relation, tail))
    return triples

嗯，这里要注意：实体识别和关系抽取，最好是联合训练，而不是pipeline式分开做。因为关系信息能反过来帮助实体识别。比如，如果模型知道“持有股份”这个关系，那它就更可能把“腾讯”识别为公司实体。

最后，我画了一张图，把整个流程串起来：

这张图把整个流程串起来了。从财报文本出发，经过实体识别和关系抽取，最终得到三元组。你想想看，如果每个财报都这么处理一遍，积累下来的知识图谱，能帮我们做多少事？

---