← 返回概念解读

Concept Fable精修版

关系抽取

Relation Extraction · NLP / knowledge graph

先读故事。这里不急着给定义,先让问题自己长出来。

寓言故事

剪报员找出谁和谁有关

捕房查一宗货案,书记已圈出所有人名、地名和商号,捕头却仍看不出谁雇了谁、谁转交了货、谁只是同船而行。名单越长,案情反而越散。

他让书记多换几种颜色圈名字,案板变得花哨,关系仍不清楚。老捕快改让大家在每一对对象之间写明动作:借钱、作证、交货、雇佣、争地,并保留原句作凭据。

细签逐渐连成一张网。一个原本不起眼的账房频繁出现在转交和收款两条线上,捕头据此回查卷宗,找到了被遗漏的中间环节。

认出对象只是开始;把对象之间可验证的关系抽出来,文本里的零散信息才会组织成可追查的案情。

概念落点

这个故事讲的是:关系抽取

它从文本中识别实体,并判断实体之间存在什么关系,例如雇佣、收购、位于、导致、属于、治疗、供应等。

关系抽取的关键不只是找名词,还要理解句子里的关系类型、方向、否定、跨句指代、证据位置和置信度。它常用于知识图谱、搜索、风控、医学和企业情报。

故事对应

  • 圈名字:实体识别
  • 收购、导致、位于:关系类型
  • 左边实体、右边实体、中间关系:结构化关系三元组
  • 证据来自哪句话:关系证据定位
  • 否认和跨句指代:关系抽取中的歧义和难点

Soloharness 判断

关系抽取把散乱文本变成可查询事实网络。对企业来说,它的价值常在合同、邮件、新闻、工单里把“谁和谁发生了什么”变成系统能用的数据。

knowledge graphtriples