概述
它将散文变成机器可读的知识，为搜索引擎、数据库和知识图提供动力。
深入探讨
关系提取 (RE) 对文本中实体之间的语义关系进行识别和分类，通常将结果表示为三元组，例如（Marie Curie，born_in，Warsaw）。尽管联合系统可以一起识别实体和关系，但许多管道使用命名实体识别来查找实体提及，然后对候选对进行分类。早期的方法使用模式或监督分类器。远程监督将知识库与文本对齐，以大规模创建训练示例，但假设提到已知实体对的每个句子都表达知识库关系，则会产生噪声标签。 Transformer模型可以利用句子上下文对候选关系进行分类；文档级方法将句子之间的证据连接起来。
现实世界的实施
通过挖掘数百万份研究摘要，构建生物医学知识图谱，将药物与其治疗的疾病联系起来。
通过从财经新闻文章中提取高管任命和收购来填充公司数据库。
丰富搜索引擎，因此像“谁创立了特斯拉”这样的查询会返回从提取的（创始人、公司）关系中提取的直接答案。
检测科学文献中的蛋白质-蛋白质相互作用，以加速基因组学和药物发现。
文本关系提取的未来
研究利用有限的标签、嘈杂的远程监督数据和跨文档的证据进行关系提取。提示语言模型提供了另一种提取关系的方法，但输出仍然需要针对文本进行验证。联合实体和关系系统可以减少管道错误传播，而当输出必须适合知识库时，显式模式仍然有用。
付诸实践
为什么这很重要
- 速度与规模. 语言工作流程可以在不牺牲一致性的情况下更快地移动。
- 交通与覆盖范围. 它扩展了跨语言和沟通方式的访问。
- 更清晰的判决. 团队可以花更多时间进行判断，而自动化则可以处理重复。
留意
- 幻觉的事实可以悄悄地进入报告、支持流程或研究成果。
- 及时的敏感性可能会在类似的请求中产生不一致的结果。
- 如果访问控制薄弱，敏感文本数据可能会暴露。
后续步骤
- 在推出之前定义输出格式、语气和质量标准。
- 当准确性很重要时，请使用可信来源进行地面响应。
- 为高风险输出保留人工审查检查点。
- 跟踪故障模式并定期重新训练提示或工作流程。
不断探索
常见问题
什么是文本关系提取？
关系提取从非结构化文本中提取结构化事实，识别两个实体如何连接（例如“为”工作或“位于”）。它将散文变成机器可读的知识，为搜索引擎、数据库和知识图提供动力。
关系提取系统的典型输出是什么？
RE 生成结构化三元组，例如（Marie Curie，born_in，Warsaw），用于捕获两个实体的连接方式。
在关系提取的通用管道中，什么可以在对分类之前识别实体提及？
许多RE管道首先识别实体提及，通常使用命名实体识别，然后对候选实体对进行分类；联合模型可以结合这些步骤。
为什么远程监督会产生嘈杂的关系提取标签？
远程监督使用知识库事实来标记文本，但共同提及并不能保证特定句子表达关系，因此标签可能会有噪音。
许多基于 Transformer 的 RE 模型如何指示要分类的实体对？
[E1] 和 [E2] 等特殊标记标记目标实体，因此模型专注于正确的对。
“开放”关系提取与标准 RE 有何区别？
Open RE 直接从句子中提取关系表达式，而不是从固定模式中进行选择。