01
实体关系抽取概述
什么是实体关系抽取、知识图谱中的核心任务、关系抽取与实体识别的区别。
概述基础
02
难点与挑战 · 应用场景
关系抽取的难点与挑战、常见应用场景（金融、医疗、电商）。
挑战场景
03
评估指标 · 数据集
精确率、召回率、F1值；ACE、NYT、WebNLG数据集介绍。
指标数据集
04
基于规则的方法：模板设计
手工规则模板设计、正则表达式在关系抽取中的应用。
规则正则
05
触发词/模式匹配
基于触发词/模式匹配的关系抽取、规则方法的优缺点。
模式触发词
06
实战：金融交易规则引擎
案例实战——用Python实现一个简单的金融交易关系抽取规则引擎。
Python金融
07
统计机器学习：特征工程
特征工程（词性、句法依赖、位置特征）、最大熵模型。
特征最大熵
08
SVM与核方法
支持向量机（SVM）在关系抽取中的应用、核方法。
SVM核方法
09
HMM与条件随机场
隐马尔可夫模型（HMM）与条件随机场（CRF）在序列标注中的应用。
HMMCRF
10
实战：sklearn SVM中文抽取
案例实战——使用sklearn构建一个基于SVM的中文关系抽取器。
sklearn中文
11
词向量与CNN
词向量（Word2Vec、GloVe）与关系抽取、CNN在关系抽取中的应用。
词向量CNN
12
RNN/LSTM与双向LSTM
RNN/LSTM在关系抽取中的应用、双向LSTM的优势。
LSTM双向
13
注意力机制与Self-Attention
注意力机制（Attention）在关系抽取中的作用、Self-Attention。
AttentionSelf-Attention
14
实战：BiLSTM-Attention (PyTorch)
案例实战——使用PyTorch搭建一个基于BiLSTM-Attention的关系抽取模型。
PyTorchBiLSTM
15
BERT与Fine-tuning
BERT在关系抽取中的应用、Fine-tuning策略。
BERT微调
16
RoBERTa、ALBERT对比
RoBERTa、ALBERT等变体在关系抽取中的表现对比。
RoBERTaALBERT
17
提示学习 (Prompt Learning)
提示学习（Prompt Learning）在关系抽取中的创新应用。
Prompt创新
18
实战：HuggingFace微调BERT
案例实战——使用HuggingFace Transformers库微调BERT进行关系抽取。
Transformers微调
19
联合抽取：Pipeline vs 联合
Pipeline方法与联合抽取方法的对比、共享编码层。
联合抽取Pipeline
20
序列标注联合抽取 (CasRel/TPLinker)
基于序列标注的联合抽取（如CasRel、TPLinker）。
CasRelTPLinker
21
生成式联合抽取 (CopyRE/SPN)
基于生成式模型的联合抽取（如CopyRE、SPN）。
生成式CopyRE
22
实战：复现CasRel模型
案例实战——复现一个简单的CasRel模型进行实体关系联合抽取。
复现CasRel
23
远程监督与多实例学习
远程监督的基本假设（Distant Supervision）、多实例学习。
远程监督多实例
24
噪声问题与去噪策略
远程监督中的噪声问题与去噪策略（如PCNN、Piecewise Pooling）。
去噪PCNN
25
数据增强技术
数据增强技术（回译、实体替换、对抗训练）在关系抽取中的应用。
增强回译
26
少样本学习挑战
少样本学习（Few-shot Learning）在关系抽取中的挑战。
Few-shot挑战
27
原型网络与匹配网络
原型网络（Prototypical Networks）与匹配网络（Matching Networks）。
原型网络匹配网络
28
零样本关系抽取
零样本关系抽取（Zero-shot Relation Extraction）与描述信息利用。
Zero-shot描述
29
模型压缩与ONNX推理
模型压缩（蒸馏、量化）、ONNX导出与推理加速。
压缩ONNX
30
实战：封装RESTful API
案例实战——将训练好的关系抽取模型封装为RESTful API服务。
API部署