目录
一、基于规则
目前基于规则是主流并且见效快的方法。
1.举例
提取具体的水果名字
规则：apple is a fruit, fruit such as apple, fruit including banana
以上的is a, such as, including都可以帮助我们找到水果这一类下面的具体的水果名字，像这样的规则我们可以定义非常多，只要文章中出现了规则，那么就可以把对应的数据放到库中。
比如文章中出现：...... apple is a fruit.....
先用实体识别分类器把实体识别出来，发现中间正好是is a ，那么把这两个实体放到数据表里。
中间可能会有不同类型的内容，因为我们定的只是规则，而没有其他条件过滤掉比如“car”，因此需要在规则集上面，定义规则的类别。
2.优缺点
基于规则的方法的优点：准确、不需要训练数据
基于规则的方法的缺点：召回率低（人能想到的关系少），人力成本高，规则本身难设计
二、监督学习
1.准备工作
①定义关系类型
②定义实体类型
③训练数据准备：实体的类型标记、实体之间的关系标记
④特征工程，可以使用：
bag-of-words
词性
实体类别
stemming
位置相关的信息特征：两个实体间包含了多少个单词？这句话在本文里的位置？
句法分析相关特征：两个词节点之间最短路径（使用树结构画出来语法的分析，可能需要图算法去提取特征）
依存文法相关特征：最短路径，是否相互依存等
据说上面的句法分析和依存文法分析效果一般。
2.使用分类模型训练
由于在分类的类别中，除了我们需要的分类，还可能会有一类“不属于任何类别”，因此我们可以将训练分为两部分，先使用一个简单的二分类器，把数据分为有类别和无类别，之后再进行分类。
三、半监督
1.bootstrap
首先在库中准备一个表格，包含几条真实的，正确的样本记录。
①基于样本，生成规则：
给定文本，根据库中的数据，如果匹配到了，那么文本中，两个实体中间的内容就可以作为规则，比如：
x写了y
y是由x写的
②生成三元组
有了上面生成的规则之后，给定新的文章，扫描是否有存储的规则，如果匹配上了对应的规则，那么就把规则左右的实体，填入到记录表中，作为新的记录。
③重复上两步
使用新的记录继续扫描文章，生成新的规则，使用新的规则，扫描文章，生成新的记录。
④bootstrap的关键缺点：
错误累积：当开头出现误差的时候，后面由于自动去生成，会慢慢误差越来越大。
于是提出了改进版：snowball
2.bootstrap(snowball)
见下一篇文章
1172
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
