NLP 2.5信息抽取 Information extraction

信息抽取介绍 Information Extraction

1、信息抽取概要 (IE)

Extraction information from unstructured text（非结构化数据）

• 图片
• 文本
• video
• 音频

抽取实体(entities):

• 人，地名，时间
• 医疗领域：蛋白质，疾病，药物

抽取关系（relations）

• 位于 located in
• 工作在 work at
• 部分 is part of

先做实体抽取，再做关系抽取

2、信息抽取应用场景

2.1 一个例子

• 1、NER: 标记所有的实体和每个实体的类别
• 2、**关系抽取分析：**找到实体间的关系
• 3、指代消解，每个代词指代的是哪个名词。

2.2 More application

• 知识库的搭建
• Google scholar
• 购物引擎，产品搜索
• 正确分析
• 问答案系统

2.3 Search Engine vs Question Answering

• Question Answering：用户输入问题，系统直接给定answer
• Search Engine：用户需要自己筛选

问答系统的等级

• level 1: 返回文档
• level 2：返回关键句子
• level 3：返回key phrase
• level 4: 返回答案

3、命名实体识别介绍

3.1 概念

命名实体识别，简称NER，又称作专名识别，是指识别文本中具有特定意义的实体，主要包括任命，地名，机构名，专有名词等。

3.2 Case 1: Chat bot

先做意图识别：文本分类
第一次抽取实体：北京，伤害
第二次抽取实体：11月16日

3.3 Case 2：Extract from news

4、搭建命名实体识别 NER分类器

• 定义实体种类
• 准备训练数据
• 训练NER

给定word， 词性和实体类别，O为不需要关注的单词，多个单词构成一个实体类别。

4.1 评估 NER Recognizer

• 精确率和召回率
• F1-score

4.2 Methods

4.2. 1 rule-based approach 利用规则

4.2.2 Majority voting approach 投票表决

选择概率最大的实体类型

4.2.3 基于监督学习的方法

• 1、非时序模型，逻辑回归，svm
• 2、时序模型：HMM,CRF, LSTM-CRF

针对一个单词，使用特征工程，提取特征，得到feature vector，输入到模型得到分类结果。

比如，应用随机森林进行分类，将一个单词是否是标题，是否有大写，它的词长度等作为feature，输入到模型进行训练，得到分类结果。这种特征提取没有考虑上下文信息。

5、文本的特征工程

对于一个句子的特征提取： The professor Colin proposed a model for NER in 1999
1、Bag-of-word features

• 当前词：Colin：
• 前后词：professor,proposed
• 前前，后后词：the, model
• Bi-gram: Professor Colin，Colin proposed，the professor， proposed model

2、词性的feature

• 当前词词性：名词
• 前后词词性：名词，动词
• 前前后后词性：冠词，名词

3、前缀后缀

• 当前词：Co，in
• 前后词：pr,or;pro, ed

4、当前词的特性

• 词长
• 包含有多少个大写字母
• 是否大写开头
• 是否包含“-”
• 是否包含数字

5、 stemming
对单词做stemming后重复上面四个操作

6、特征编码 Feature Encoding

对于当前词的词性：Loc，需要把这个词性转变为one-hot encoding，但会使特征的维度变大很多很多。

常见的特征种类：

1、类别型的特征，使用one-h