【文本信息抽取与结构化】深入了解关系抽取你需要知道的东西
常常在想，自然语言处理到底在做的是一件什么样的事情？到目前为止，我所接触到的NLP其实都是在做一件事情，即将自然语言转化为一种计算机能够理解的形式。这一点在知识图谱、信息抽取、文本摘要这些任务中格外明显。不同的任务的差异在于目标的转化形式不一样，因而不同的任务难度、处理方式存在差异。
这个系列文章【文本信息抽取与结构化】，在自然语言处理中是非常有用和有难度的技术，是文本处理与知识提取不可或缺的技术。
本篇介绍如何从文本中抽取出两个或者多个实体之间的关系，即关系抽取。
作者&编辑 | 小Dream哥
关系抽取概述
在前面的文章中，我们介绍了将文本结构化的大致过程以及信息抽取的、涉及到的技术，却没有介绍具体的技术细节。接下来我们来全面而细致的介绍相应的技术，今天我们关注关系抽取。
所谓关系抽取，就是抽取文本中两个或者多个实体之间的关系。例如：
中国的首都是北京
关系抽取即是从上述文本中，抽取出如下的实体关系的任务：
<中国，首都，北京>
关系抽取的方法大概有以下几类：
1.基于模板的方法
基于规则
基于依存句法
2.监督学习
机器学习
深度学习(pipline vs joint model)
3.半监督/无监督学习
Bootstrapping
Distant supervision
Unsupervised learning from web
下面我们一一来介绍这些方法。
基于模板的方法
1）基于自定义规则
通常来说，在语义上，表达两种实体的关系都有一些特定的说法，例如刚才的例子，描述国家和首都通常都会有这样的模式：
<国家>的首都/首付是<首都>
因此，基于自定义规则的方法，可以总结某类关系常用的说法，然后基于这些说法提炼出规则/正则表达式来进行关系抽取。
2）基于NER标签
很多时候，特定的关系是在某些特定的实体之间，例如：
1.首都（国家，城市）
2.创作（歌手，歌曲）
3.写作（作家，小说）
结合NER标签与具体的规则，常常能够取得不错的关系抽取效果。
此外，基于句法关系等模板的方法，这里不再详述。基于规则的方法有如下的优缺点：
优点：
1.准确率高
2.可以为特定领域定制
3.启动快，可以在小规模数据集上实现
缺点：
1.召回率低
2.特定领域的规则通常需要专家构建
3.难以维护
4.可移植性差
2 监督学习方法
1）传统机器学习
传统机器学习进行关系提取通常基于一些分类模型，包括朴素贝叶斯，SVM等。为了提高效率，通常会训练两个分类器，第一个分类器是1/0分类，判断命名实体间是否有关系；第二个分类器是多分类器，第一个分类器判断有关系再输入到这个分类器，预测关系的类别。这样做能够先排除大多数的实体对，进而加快分类器的训练过程。
基于传统机器学习方法的标准流程是：
1.预先定义好想提取的关系集合
2.定义或选择相关的命名实体集合
3.寻找并标注数据
4.选择有代表性的语料库
5.命名实体标记
6.实体间的关系标注
7.分词训练、测试、验证集
8.涉及特征
9.选择并训练分类器
10.评估结果
目前，用于关系抽取最多也是最有效的监督学习是深度学习的方法，所以这里就不多介绍机器学习相关的算法，我们来着重介绍深度学习的算法。
2）深度学习的方法
基于深度学习的关系抽取目前主要有两种方法：Pipline Method和Joint Method。
Pipline Method，流水线方法：输入一个句子，首先进行命名实体识别，然后对识别出来的实体进行两两组合，再进行关系分类。
流水线的方法存在蛮大的缺点，例如：
1.错误传播，实体识别模块的错误会传播到后面的分类模块；
2.忽略了两个子任务之间存在的关系。例如前面“中国的首都是北京”的例子，如果存在“首都”关系，那么前一个实体必然是国家类别，后一个实体比如是城市类别。流水线的方法，忽略了这些信息；
3.产生了没必要的冗余信息，由于需要对识别出来的实体进行两两配对，然后再进行关系分类；那些没有关系的实体对就会产生多余的信息，提高错误率。
Joint Method，即联合抽取方法，则跟流水线的方法不同，基于流水线方法的诸多缺陷，Joint Method能够通过一个实体识别和关系分类的联合模型，直接得到有关系的实体三元组。
Joint Method主要分为两个流派，基于参数共享(Parameter Sharing)和基于标注策略（Tagging Policy）两类。
基于基于参数共享(Parameter Sharing)的联合抽取方法，可参考这一篇论文：
Suncong, Zheng, Yuexing, et al. Joint entity and relation extraction based on a hybrid neural network[J]. Neurocomputing, 2017.
如上图所示，是这种方法的网络结构框图。每个词都会被映射到一个实体标记（BILOS:Begin Inside Last Outside Single)，它包含了改字在实体中的位置信息。NER模块没有用CRF，而是额外用了一层LSTM来解码双向LSTM编码出来的Hidden state，并建模它和实体标记之间的关系。该模块的损失函数如下：
关系分类模块采用CNN模型，处理BiLSTM的Hidden state并输出关系类别。该模块的损失函数如下：
基于标注策略（Tagging Policy）的联合抽取方法，可参考这一篇论文：
S. Zheng, F. Wang, H. Bao, Y. Hao, P. Zhou, B. Xu, Joint Extraction of Entities and Relations Based on a Novel Tagging Scheme, Acl. (2017).
在这篇论文中，将实体识别和关系分类两个问题，转化为一个序列标注的问题，然后通过一个端对端的神经网络模型直接得到关系实体三元组。
他们提出的这种新的标注策略主要由下图中三部分组成：
1）实体中词的位置信息{B（实体开始），I（实体内部），E（实体结尾），S（单个实体）}；
2）关系类型信息{根据预先定义的关系类型进行编码}；
3）实体角色信息{1（实体1），2（实体2）}。注意，这里只要不是实体关系三元组内的词全部标签都为"O"。
如上图所示，“B-CP-1"表示这个词是一个实体的begin，同时这个实体属于关系CP的第一个实体。
与典型的用LSTM进行实体抽取的模型差异在于，这个模型对损失做了一定的修改，如下图所示：
当标签为"O"时，就是正常的目标函数，当标签不是"O"时，即涉及到了关系实体标签，则通过α来增大标签的影响。实验结果表明，这个带偏置的目标函数能够更准确的预测实体关系对。
关于关系抽取的基本方法，到这里就介绍的差不多，希望读者能有所收获，下篇我们继续介绍最新的关系抽取模型。
总结
文本信息抽取与结构化是目前NLP中最为实际且效益最大的任务，熟悉这个任务是一个NLP算法工程师必需要做的事情。