1. 实体关系抽取概述

大家好，我是这门课的主讲。今天咱们聊聊实体关系抽取——说白了，就是让机器读懂文本里「谁干了什么」这件事。

你可能听过很多高大上的定义。但在我眼里，关系抽取就是回答三个问题：谁、和谁、有什么关系。比如「乔布斯创立了苹果公司」，机器要能识别出「乔布斯」是实体，「苹果公司」也是实体，它们之间是「创始人」关系。

1.1 什么是实体关系抽取

实体关系抽取（Relation Extraction，简称RE），是信息抽取的核心任务之一。它的目标是从非结构化文本中，抽取出预先定义好的实体对之间的语义关系。

举个例子：

输入文本：「马云于1999年创立了阿里巴巴。」
输出三元组：(马云, 创始人, 阿里巴巴)

嗯，这里要注意：关系抽取不是简单的关键词匹配。它需要理解上下文语义。我早期做项目时，就踩过这个坑——用正则匹配「创立」这个词，结果把「他创立了一种新理论」也当成公司创立关系了。后来才明白，关系抽取必须结合实体类型和语境。

1.2 知识图谱中的核心任务

知识图谱本质上是一个巨大的三元组集合。你想想看，没有关系抽取，知识图谱就只是一堆孤立的实体节点，连不起来。

在知识图谱构建流程中，关系抽取处于承上启下的位置：

我个人习惯把知识图谱构建分成三层：

• 信息抽取层：实体识别、关系抽取、属性抽取
• 知识融合层：实体对齐、冲突消解
• 知识加工层：质量评估、知识推理

关系抽取就在第一层，而且是决定图谱质量的关键。我在项目中遇到过，实体识别做得再好，关系抽取得分只有60%，最后图谱查询的准确率直接掉到40%以下。所以，关系抽取是真正的「瓶颈环节」。

1.3 关系抽取与实体识别的区别

很多初学者容易把这两个概念搞混。我刚开始学的时候也犯过这个错——以为找到实体就等于搞定了关系。其实完全不是一回事。

对比维度	实体识别（NER）	关系抽取（RE）
任务目标	找出文本中的命名实体及其类型	判断实体对之间的语义关系
输出形式	实体边界 + 类型标签	(实体1, 关系类型, 实体2)
典型例子	「[乔布斯]PER 创立了 [苹果公司]ORG」	(乔布斯, 创始人, 苹果公司)
技术难点	实体边界模糊、嵌套实体	关系重叠、长距离依赖
评估指标	精确率、召回率、F1	精确率、召回率、F1（但计算粒度不同）

为什么会这样？因为关系抽取依赖实体识别的结果。如果实体识别错了，关系抽取就是「垃圾进，垃圾出」。但反过来，关系抽取也能辅助实体识别——比如检测到「治疗」关系，那两边的实体大概率是「药物」和「疾病」。

1.4 关系抽取的三种主流范式

根据我这些年的工程经验，关系抽取大致可以分为三类：

1. 基于模板的方法：写规则匹配。简单粗暴，小规模场景好用。但维护成本高，我见过一个金融领域的模板系统，最后积累了3000多条规则，改一条崩一片。
2. 基于监督学习的方法：用标注数据训练分类器。效果最好，但标注成本高。我记得有个项目标注了5万条数据，花了三个月。
3. 基于远程监督的方法：利用知识库自动标注数据。省人工，但噪声大。说白了就是「用不完美的数据训练模型」，需要做降噪处理。

1.5 关系抽取的挑战与趋势

说实话，关系抽取到现在仍然是个开放问题。我总结了几大难点：

• 关系重叠：一句话里多个关系交织。比如「乔布斯创立了苹果，后来被库克接管」——这里有「创始人」和「继任者」两个关系。
• 长距离依赖：实体之间隔了几十个词。比如「那个在车库里创办了苹果公司的年轻人，后来改变了世界」——「年轻人」和「苹果公司」距离很远。
• 少样本问题：很多关系类型只有几条标注数据。我做过一个医疗项目，有200多种关系，其中150种只有不到10个样本。

现在的趋势是往联合抽取和预训练语言模型方向走。BERT、GPT这些模型出来之后，关系抽取的F1值普遍提升了5-10个点。但说实话，模型再强也解决不了数据质量问题——这是我在多个项目中反复验证的。

---