Concept Fable
先に結論：テキストからエンティティを識別し、エンティティ間にどのような関係があるかを判断する。例えば雇用、買収、所在、引き起こす、属する、治療、供給など。
Relation Extraction · NLP / knowledge graph
まず物語を読む。ここでは急いで定義を示さず、まず問題そのものを立ち上がらせる。
寓話
捕房がある貨物事件を調べた。書記はすでにすべての人名、地名、商号を丸で囲んでいたが、捕頭には誰が誰を雇い、誰が貨物を転送し、誰がただ同船しただけなのか、依然として見えなかった。名簿が長くなるほど、事件はかえって散らばっていった。
彼は書記に名前を何色もの色で囲ませ、案板は華やかになったが、関係は依然として不明瞭だった。老いた捕吏は、皆に各対象のペアの間に動作を書き記すよう改めさせた：金を借りる、証言する、品を納める、雇う、土地を争う。そして元の文を証拠として保持した。
細い署名は次第に網のようにつながっていきました。もともと目立たなかった一人の会計係が、引き継ぎと入金の二本の線に頻繁に現れ、捕頭はそれに基づいて巻宗を再調査し、見落とされていた中間段階を見つけました。
対象を認識するのは始まりにすぎない。対象間の検証可能な関係を抽出してこそ、テキスト中の断片的な情報が追跡可能な事件記録として組織される。
概念の落としどころ
テキストからエンティティを識別し、エンティティ間にどのような関係があるかを判断する。例えば雇用、買収、所在、引き起こす、属する、治療、供給など。
関係抽出の鍵は名詞を見つけることだけではなく、文中の関係タイプ、方向、否定、文をまたぐ照応、証拠位置、信頼度を理解することである。知識グラフ、検索、リスク管理、医学、企業インテリジェンスでよく使われる。
物語の対応
Andy（任旭）判断
関係抽出は散在するテキストを検索可能な事実ネットワークに変える。企業にとって、その価値は契約書、メール、ニュース、チケットの中で「誰と誰に何が起きたか」をシステムが使えるデータに変える点にある。