数据平民化之路（二）— 实体关系抽取

随着媒体类应用的传播和推广，大量的数据开始堆叠，信息冗余成为当下的主要问题。尤其在互联网、政务、金融、教育、法律、医疗等众多行业中，大量文档信息需要进行数字化及结构化处理，人工处理方式费时费力，同时也容易产生错误。

数据从业者们开始探索利用人工智能技术对自然语言进行处理，来实现数据价值的快速转化。通过先验知识的总结，来指导自然语言的处理，抽取关键信息形成结构化关系，成为深入数据理解的必由之路。信息的抽取一般指从自然语言文本中抽取指定类型的实体、关系、事件等事实信息，并形成结构化数据输出的文本处理技术，其本质是通过对信息间的实体关系抽取。

本篇文章将聚焦于社会化信息中的信息抽取过程，实现对数据的实体关系挖掘，来提升数据使用方的数据转化能力。

一、实体关系抽取的过程

实体关系抽取是指从文本中识别出实体及其关系的过程。其原理基于自然语言处理和机器学习技术，通常包括以下步骤：

（1）实体识别：在文本中识别出具有特定含义的实体，例如人名、地名、组织机构等。通常采用命名实体识别技术来完成。

（2）关系抽取：根据实体之间的上下文信息和语法结构，推断出它们之间的关系，关系抽取可以采用基于规则的方法或基于机器学习的方法，其中机器学习方法通常采用监督学习或半监督学习。

（3）实体链接：将文本中的实体链接到已知的知识库或数据库中的实体。

（4）结果评估：评估实体识别和关系抽取的性能，包括准确率、召回率、F1值等指标。

举个例子，在政务领域，某市长信箱的负责人员需要每天处理各类意见、建议、投诉、举报等问题，仅靠肉眼很难从如此大量的内容中获取价值信息，这就需要信息抽取技术，来快速提取关键信息，如举报中的人名、时间、地点、问题等，帮助工作人员掌握举报要素，并快速处理。

这个例子的本质就是探索研究文本之间的关系，当前市场上的信息抽取工具主要分为两种，一种是学术研究的，大多基于理论在有限数据集完成验证，在大面积应用方面缺少实践。另一种是产业化应用的，比如百度的飞桨Paddle、NLPIR、pipeline等，在一定领域完成了知识的迁移、信息抽取模型等开发与验证，并对数据做领域性的标注。

二、实体关系抽取的实现

在实体关系抽取的工具中，PaddleUIE具有良好的实体抽取效果，UIE实现了实体抽取、关系抽取、事件抽取、情感分析等任务的统一建模，并使得不同任务间具备良好的迁移和泛化能力。该模型可以支持通用领域和抽取目标的关键信息抽取，实现零样本快速冷启动，也可以进行小样本微调，快速适配特定的抽取目标。

在这里，我们通过将PaddleUIE封装成一个算子，来支撑对数据抽取处理。以明星影视演员资料的信息为例，准备了如下的数据集：

在数据集中包括演员的基本信息，以及主演的影视作品信息。我们的目标就是尽可能得抽取同类关系数据。

首先在平台中将需要处理的文件（text、word、pdf、excel等）导入平台中。这里我们还是利用文件输入算子来进行数据集的导入，可以支持多文件并行处理。

然后经过全文读取将文本加载到内存中，在这里定义了读的模式，平台会自动识别值格式，当该值为bin时，表示以二进制方式读取，将文件读为字节块；当该值为txt时，表示以文本方式读取文件，将文件读为文本块。

在数据加载到平台后，就可以利用已经封装的Paddle实体抽取算子，来实现内容抽取，基于paddle已经集成的属性关系，只需要定义抽取模式即可，这里定义了“姓名、生日、出生地、影视剧”几个模式值。

待抽取模式一般可以指定抽取多个实体，实体规则间用','号分隔。如在文本中抽取人名、组织，则模式为“人名,组织”。实体识别结果通过列名格式为：columnName+"_entities"列输出，输出结构如下：

{

int gid; // 实体识别的组ID

String schema; // 实体类型

String value; // schema对应的实体

double prob; // 实体的识别概率，该值越高表明可信度越高

int offset; // 实体在文本中的位置

}

数据类型: String

通过以上抽取框架，完成对数据的关系抽取，并通过下图（图1）的对象结构映射实现数据格式的转化，并进行结果的输出（图2）。

图1

图2

三、综述

实体关系抽取已经成为知识图谱、知识工程、信息检索等领域的重要研究对象，旨在实现自动地从海量文本语料中抽取实体间的语义知识，获取结构化的实体关系知识的体系。通过本平台集成的实体抽取算子（不限于Paddle）来进行数据抽取，总体来看，使用操作上比较简单，不需要太多的知识积累，降低了对数据从业人员自身技能的标准，可以快速的应用在社会化数据的挖掘场景中来。

数由科技是一家数据科学平台提供商，致力于实现数据处理“平民化”的应用。面向大数据产业链，提供数据工厂化、数据管道化、数据运营化、数据治理化、数据可视化的数据价值挖掘解决方案，帮助政府、企业、个人在数据孪生时代激活数据价值。

如需了解更多内容，请加入讨论组