本文介绍了实体关系抽取任务，探讨了其在知识图谱构建中的作用。文章详细阐述了监督学习、远程监督、少样本数据及实体关系联合抽取等方法，并深入讨论了序列标注、表填充和序列到序列等联合抽取技术，包括CopyRE、CopyMTL、WDec & PNDec及Seq2UMTree等模型，分析了它们的优缺点和适用场景。
湖南师范大学 曾道建老师
实体关系联合抽取
整理版PPT
一、实体关系抽取任务介绍
- 关系定义为两个或多个实体的某种联系
- 实体关系抽取是自动识别出实体间是否存在某种关系
二、实体关系抽取与知识图谱
实体关系抽取一个潜在的应用之一就是构建知识图谱。
-
知识图谱是下一代人工智能的基础设施，是实现可解释人工智能的重要手段。
-
在知识图谱中，节点表示实体，边表示关系/属性，例如：
三、实体关系抽取任务分类
1.监督学习
关系分类：给定实体对，对关系进行分类。
问题：带标签数据不易获取，人工标注耗时费力。
2.远程监督关系抽取
3.少样本数据抽取
上述属于PipeLine方式，存在误差积累和暴露偏差问题。
4.实体关系联合抽取
四、实体关系联合抽取常用方法
1.序列标注(NovelTagging)
ACL2017_Joint Extraction of Entities and Relations Based on a Novel Tagging Scheme
-
标签类型
BIOES标签：(Begin,Inside,End,Single)
如果总共有
最低0.47元/天 解锁文章
2621
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
