Trích xuất quan hệ từ văn bản
Trích xuất mối quan hệ kéo các sự kiện có cấu trúc ra khỏi văn bản phi cấu trúc, xác định cách hai thực thể kết nối với nhau (như 'hoạt động cho' hoặc 'nằm ở').
Tổng quan
Nó biến văn xuôi thành kiến thức có thể đọc được bằng máy, hỗ trợ các công cụ tìm kiếm, cơ sở dữ liệu và biểu đồ kiến thức.
Lặn sâu
Trích xuất quan hệ (RE) lấy một câu như 'Marie Curie sinh ra ở Warsaw' và tạo ra một bộ ba có cấu trúc: (Marie Curie,born_in, Warsaw). Nó thường được xây dựng dựa trên nhận dạng thực thể được đặt tên, trước tiên sẽ tìm thấy các thực thể, sau đó phân loại mối quan hệ giữa các cặp. Các phương pháp tiếp cận cổ điển sử dụng các mẫu viết tay ('X, người sáng lập Y') hoặc các bộ phân loại có giám sát được đào tạo trên các mẫu được gắn nhãn. Một bước đột phá lớn là khả năng giám sát từ xa, giúp sắp xếp các cơ sở kiến thức hiện có như Wikidata với văn bản thô để tự động tạo dữ liệu đào tạo trên quy mô lớn. Các hệ thống hiện đại tinh chỉnh các mô hình biến áp như BERT để đọc ngữ cảnh đầy đủ của câu và dự đoán các mối quan hệ, xử lý sự mơ hồ và phụ thuộc lâu dài tốt hơn nhiều so với các mô hình cứng nhắc. RE là công cụ đằng sau việc điền các biểu đồ tri thức lớn.
Hiểu biết kỹ thuật
Nhiều mô hình RE thần kinh đánh dấu hai thực thể ứng cử viên bằng các mã thông báo đặc biệt (như [E1] và [E2]) để máy biến áp biết cần tập trung vào cặp nào, sau đó đưa các phần nhúng theo ngữ cảnh vào bộ phân loại trên một tập hợp các loại quan hệ cố định. Thay vào đó, trích xuất quan hệ 'mở' trích xuất cụm từ quan hệ trực tiếp từ văn bản, không yêu cầu lược đồ được xác định trước. Một thách thức dai dẳng là lớp 'không có quan hệ', vì hầu hết các cặp thực thể trong một câu đều không liên quan.
Tác động chiến lược
Tốc độ và tỷ lệ
Quy trình công việc ngôn ngữ có thể di chuyển nhanh hơn mà không làm mất tính nhất quán.
Truy cập và tiếp cận
Nó mở rộng quyền truy cập vào các ngôn ngữ và phong cách giao tiếp.
Quyết định rõ ràng hơn
Các nhóm có thể dành nhiều thời gian hơn để đánh giá trong khi quá trình tự động hóa xử lý sự lặp lại.
Tương lai của việc trích xuất quan hệ từ văn bản
Các mô hình ngôn ngữ lớn ngày càng thực hiện trích xuất quan hệ zero-shot hoặc few-shot thông qua nhắc nhở, giảm nhu cầu về dữ liệu được gắn nhãn và lược đồ cố định. RE cấp độ tài liệu, liên kết các thực thể trên nhiều câu và đoạn văn, là một biên giới hoạt động. Mong đợi sự tích hợp chặt chẽ hơn với các hệ thống tăng cường truy xuất giúp xây dựng biểu đồ kiến thức mới theo yêu cầu, cộng với các mô hình chung giúp trích xuất các thực thể và quan hệ trong một lần chuyển để có độ chính xác cao hơn và khả năng lan truyền lỗi thấp hơn.
Triển khai trong thế giới thực
Xây dựng các biểu đồ kiến thức y sinh liên kết thuốc với các bệnh mà chúng điều trị bằng cách khai thác hàng triệu bản tóm tắt nghiên cứu.
Điền cơ sở dữ liệu công ty bằng cách trích xuất các cuộc hẹn điều hành và mua lại từ các bài báo tin tức tài chính.
Làm phong phú các công cụ tìm kiếm để một truy vấn như 'ai đã thành lập Tesla' trả về câu trả lời trực tiếp được lấy từ các mối quan hệ (người sáng lập, công ty) được trích xuất.
Phát hiện các tương tác protein-protein trong tài liệu khoa học để tăng tốc quá trình khám phá gen và thuốc.
Rủi ro & lan can
Sự thật ảo giác có thể lặng lẽ đi vào báo cáo, luồng hỗ trợ hoặc kết quả nghiên cứu.
Sự nhạy cảm kịp thời có thể tạo ra kết quả không nhất quán đối với các yêu cầu tương tự.
Dữ liệu văn bản nhạy cảm có thể bị lộ nếu khả năng kiểm soát quyền truy cập yếu.
Lộ trình thực hiện
Xác định định dạng đầu ra, âm thanh và tiêu chuẩn chất lượng trước khi triển khai.
Phản hồi mặt đất với các nguồn đáng tin cậy bất cứ khi nào độ chính xác quan trọng.
Duy trì điểm kiểm tra đánh giá của con người đối với các kết quả đầu ra có mức độ rủi ro cao.
Theo dõi các kiểu lỗi và đào tạo lại các lời nhắc hoặc quy trình làm việc thường xuyên.
Tiếp tục khám phá
Free newsletter
Get the daily AI briefing
Three verified AI stories every weekday morning, written in plain English. Free forever, no ads.
One email each weekday. Unsubscribe in one click. We never sell or share your address.
Test yourself
Take the Relation Extraction from Text quiz
Instant feedback on every answer, and a shareable certificate with a verifiable ID once you pass a course.
Support free AI education. AI Understanding is a 501(c)(3) nonprofit — no ads, no paywall, ever. Make a donation
Hướng dẫn tiếp theo
Bộ mã hóa tự động thưa thớt để trích xuất tính năng
Câu hỏi thường gặp
Trích xuất quan hệ từ văn bản là gì?
Trích xuất mối quan hệ kéo các sự kiện có cấu trúc ra khỏi văn bản phi cấu trúc, xác định cách hai thực thể kết nối với nhau (như 'hoạt động cho' hoặc 'nằm ở'). Nó biến văn xuôi thành kiến thức có thể đọc được bằng máy, hỗ trợ các công cụ tìm kiếm, cơ sở dữ liệu và biểu đồ kiến thức.
Đầu ra điển hình của một hệ thống trích xuất quan hệ là gì?
RE tạo ra các bộ ba có cấu trúc như (Marie Curie,born_in, Warsaw) để nắm bắt cách hai thực thể được kết nối.
Tác vụ NLP nào thường chạy trước khi trích xuất quan hệ?
Các thực thể phải được tìm thấy trước tiên để hệ thống biết cặp nào cần kiểm tra mối quan hệ.
'Giám sát từ xa' làm gì để trích xuất mối quan hệ?
Giám sát từ xa giả định rằng nếu một cơ sở tri thức liệt kê mối quan hệ giữa hai thực thể thì các câu đề cập đến cả hai đều thể hiện mối quan hệ đó, tạo ra dữ liệu đào tạo rẻ tiền.
Làm thế nào nhiều mô hình RE dựa trên máy biến áp chỉ ra cặp thực thể nào cần phân loại?
Các mã thông báo đặc biệt như [E1] và [E2] đánh dấu các thực thể mục tiêu để mô hình tập trung vào cặp bên phải.
Điều gì phân biệt việc trích xuất quan hệ 'mở' với RE tiêu chuẩn?
Open RE kéo biểu thức quan hệ trực tiếp từ câu thay vì chọn từ một lược đồ cố định.