信息抽取概述

文本信息抽取指的是这样一类文本处理技术， 它从自然语言文本中自动抽取指定类型的实体（entity） 、 关系（relation） 、 事件（event）等事实信息， 并形成结构化数据输出［Grishman, 1997］ 。

与自动文摘相比， 信息抽取一般是有目的地从文本中寻找所要的信息， 并将找到的信息转化成结构化格式表示， 一般采用类似框架的表示形式。 因此， 系统不需要生成自然语言的句子。 框架表示中包含哪些属性， 需要系统填充哪些槽， 都是事先设定好的。 而在自动文摘系统中，文摘的内容通常是不确定性的， 完全依赖于输入文档的内容， 而且输出结果一般是由自然语言描述的， 因此， 必须考虑语言生成的各个方面，诸如语言生成的连贯性、 合乎语法性和可读性等问题。 但是， 信息抽取与自动文摘有着非常密切的联系， 尤其在传统的信息抽取任务中文档分析阶段， 包括对主题的识别、 重要句子或关键信息的识别与抽取等很多方面， 几乎是一样的。

信息抽取技术开始走向了迅速发展的时期， 尤其一系列国际性评测会议的组织， 如， MUC， TREC，ACE（automatic content extraction） 〔 4〕 ， MET（multilingual entitytask） ， SUMAC（summarization analysis conference） 等， 极大地推动了这一技术的发展， 尤其MUC的组织和召开对于信息抽取技术的发展起了决定性的促进作用。

评价标准：精度、召回率和F1；漏报（ 标准答案中有， 但系统输出中没有） 和误报（ 标准答案中没有， 而系统输出中有） 。

三大类（实体类、 时间类和数字类） 、 七小类（人名、 机构名、 地名、 时间、 日期、货币和百分比）

实体消歧

即一词多义的问题，比如苹果即可能指一种水果，也可能指苹果公司。

深度学习之前，可以利用实体上下文构建特征向量，然后计算相似度；现在实体都用embedding表示，Word2vec、glove无法处理歧义问题，但是bert模型出来后，实体的embedding能够根据上下文给出不同的结果。

实体链接

将从非结构化的文本中识别的实体跟知识库（如知识图谱）中的实体概念关联。

实体关系

先定义schema，然后再抽取关系，其实就是槽填充。