知识图谱 概念与技术

肖仰华等编著 中国工信出版集团 电子工业出版社

 

第四章 关系抽取

概述

基于学习的抽取

基于模式的抽取

开放关系抽取

 

 

概述

关系抽取-> 关系实例->知识图谱的边

①人工 --> 代价大，人工仅对关系进行少量的增补和修改

②关系数据库中转换规则获取关系实例（人工定义规则相应映射规则完成自动转换）--》结构化数据规模有限，无法获取更广泛存在的结构化数据

应用： 关系抽取 上游应用 构建知识图谱，下游应用：文本理解、问答系统、聊天机器人等。

 

关系抽取方法分类：

• 关系实例抽取：给定关系获取关系实例（主体与客体对）
• 给定尸体堆获取相应关系：按照关系是否负和预定义的规范化描述
  • 关系分类：根据实体对的文本描述，将实体对的关系进行归类（需预定义关系类型 + 未知类）（穷举语料中提及的所有可能实体对）
  • 开放关系抽取/开放信息抽取：openIE，侧重从文本中抽取出关系的文本描述，知道的关系可以是未定义的，也可以进一步映射到已定义的关系。
• 实际应用衍生出一些相关任务： 给定实体列表，获取实体的适用谓词（属性/关系） 例如： 对于一本书，配偶关系就不适用； 对于健在任务，逝世日期就是一个不适用的属性。 谓词列表可以通过从其所属类别继承而来，也可以从同类实体借鉴得到。  然后根据主体和谓词 从语料中抽取客体或相应取值

方法：

• 基于模式或规则的抽取方法
• 基于序列标注的监督学习方法：给定一段文本，输出文本中每个词是否是某个关系对应的实体的标注结果
• 基于文本分类的监督学习方法：将关系视为一个类别，输入包含实体对的句子，输出实体对的关系标签

 

数据集：

英文关系分类数据集：

•  ACE2005（新闻和电子邮件相关599个文档和7个类型关系，每个关系700个实例）
• semEVal2010 Task8，1万多句子
• 远程监督 自动构造关系抽取数据集：NYT KBP

评估方法：

• 精确率、准确率、召回、F值

 

具体方法介绍

1. 基于模式的抽取

• 基于字符模式的抽取：正则
• 基于语法模式的抽取： 字符+词性标签 

·

        NP、ADJP、VV分别表示名词短语、形容词短语以及动词

• 基于语义模式的抽取： 引入知识图谱概念， 例如`国家-总统` 模式:$政治家 当选 $ 国家 总统   缺点：需要完善的知识图谱，代价仍然较大--》自动学习得到这类语义模式
• 自动化模式抽取：自举法   根据种子实体对，找到实体对在文本中的句子集合，基于这些句子提取表达关系的模式，再抽实体对

        质量评估： 实例与模式的匹配程度， 模式本身的置信度。 

        实例与模板的匹配程度:(模糊匹配)：Jaccard相似度、编辑距离、加权匹配

        模式本身置信度：实际抽取中的表现评估，抽取中的准确率

2. 基于学习的抽取

有监督、无监督、远程监督

监督学习和远程监督学习都可以用分类模型或序列标注模型。 序列标注模型更适用于实体识别与关系抽取的联合任务。

• 基于监督学习的关系抽取：

eg 关系分类， 基于核函数方法、基于LR方法、基于句法解析增强方法、基于条件随机场的方法； 特征抽取+分类器

关系抽取模型常用特征：

• 词汇特征：两实体之间词袋信息、词性信息、实体对在句子中出现顺序、实体为中心开设的大小为k的窗口包含的词袋及词性标注信息
• 句法特征：经句法解析所得的实体对之间的最短依赖路径
• 语义特征：实体类型，关系两边的类型通常被作为候选实体对的匹配约束\

 

• 基于弱监督学习的关系抽取
• 远程监督学习：快速构建训练集的弱监督学习方法。将文本语料库和知识库对齐，从而获得给定关系的有噪标注样本

给定三元组<s, r, o>， 则任何包含实体对（s,o)的句子都在某种程度上描绘了该实体对之间的关系，可以将包含实体对的句子作为正例。

步骤：

• 从知识库中为目标关系识别尽可能多的实体对
• 对每个实体对，利用实体链接从大规模文本中抽取提及该实体对的句子集和，并为每个句子标注相应的关系
• 句子集合和关系标签构成了训练集

去噪：对标注数据甄别和筛选。 深度学习模型框架下，常用注意力机制对标注样本进行选择。还可以通过额外的模型对样本进行质量评估；强化学习训练一个策略选择器去选择高质量样本

• 基于深度学习的关系抽取

    RNN

    CNN

    基于注意力机制的关系抽取：为实体对的每个句子赋予一个权重，权重越大表明该句子表达目标关系的程度越高，反之则越可能是噪声。

3. 开放关系抽取 OpenIE

输入为自然语言语料，输出是由文本表示的关系主体、关系短语与关系客体的三元组。 关系不限于预定义的关系类型

OpenIE特点：①自动规划 ②语料异质性 ③效率

华盛顿大学图灵中心 OpenIE研究成果：TextRunner、ReVerb、Ollie等

• TextRunner

自监督学习框架，三个模块：自动化语料标注与分类器学习、文本抽取、三元组平得分

• 自动化语料标注： 数据集抽取一小部分句子作为启动数据，用依存路径分析得到可能实体的名词短语，通过依存句法树路径找到潜在的关系短语，从而找到可能的三元组。最终根据启发式规则（eg，单纯的代词不能作为实体，实体间的依存路径不能跨子句）将这些三元组标记为正例或负例。

最后根据这些自动标注样本，词性标注及名词短语划分等浅层特征，训练一个朴素贝叶斯分类器

• 文本抽取：基于较轻量化的语法分析手段，识别出文本中关系主体和关系客体所对应的名词短语，将文本中出现在两个名词短语之间的其他短语作为可能的候选关系。随后使用再上一个模块中训练得到的分类器对三元组初筛，得到候选三元组
• 三元组评分：合并语义相同的三元组，统计频次，根据频次打分

TextRunner 难以抽出完整的关系描述； 抽取的三元组由错误不连贯

• ReVerb

引入基于词性的句法约束，对上述两类问题中出现的低质量关系短语进行过滤

缺点：难以处理不包含动词的关系短语

• Ollie

基于依存解析路径的自举法学习

利用依存树的信息来定位三元组的前提条件，识别满足前提条件的三元组。基于自举法，使用ReVerb系统得到的高质量种子三元组在语料中进行迭代，找出不含动词的关系模式。

 

利用自举法从语料库中挖掘更多与ReVerb系统的种子模式同义的新模式。抽取过程中，通过使用这些学习出来的模式，对文本进行匹配，并利用上下文及依存树分析筛选。

 

小节

关系抽取，难点：自然语言本身歧义性和模糊性。 基于规则 召回低。 深度学习

• 文本的语义表示与理解：显式的语法或语义模式， 分布式表示
• 基于规则和深度学习融合的关系抽取
• 大规模关系分类：关系类别较多
• 轻量级解决方案：无监督、弱监督、远程监督
• 关系抽取的评测问题