关系抽取详解

1.前言

这篇博客内容是接着这篇的信息抽取简介

2. 关系抽取方法

• 基于规则的方法
• 基于监督的方法
• 基于半监督的方法（最著名的两个算法是（booststrap（原始）和 booststrap（snowball）
• 基于无监督的方法

前两个方法在命名实体识别中说过，这节主要说基于半监督的方法

3. booststrap（原始）

首先：我们有 seed tuple （元组库），如 我们的元组库里面有作者和书的对应关系

通过booststrap 算法，我们如何挖掘更多的 作者 - 书 的 元组对 呢？

1. 对于给定的文档，根据 seed tuple 生成规则，例如

2. 重新扫描整个文档，根据生成的规则 寻找 作者- 书 的元组对

3. 把新seed tuple 加入到原来的 seed tuple， 然后循序
生成规则 – 寻找新 seed tuple — 添加到之前的 seed tuple

缺点

什么样的缺点会让这个算法被 snowball 取代呢？

1. 容易生成准确率非常低的规则
   比如：李航在做机器学习的研究
   很显然提取的规则： x 在做 y 的 研究， 这与 作者-书 毫无关系
2. 这是一个串行的算法，即一步一步的循环，这样会导致 误差累积
   

对比booststrap 和 snowball

4.snowball 算法

这个算法在关系抽取中是非常经典且重要的算法
首先：我们有一个 seed tuple，里面存放的是 公司-地点 的对应关系

step1： 对于给定文档，根据seed tuple 生成规则

计算规则的相似度

生成规则
现在我们可以计算规则之间的两两相似度，那么我们可以对规则聚类
假如聚成了K个簇，则将该簇中的规则做平均形成新的规则，最后得到 K 个规则
常用聚类方法：

• Kmeans
• 谱聚类
• 层次聚类

论文中的聚类方法：如 p1,p2,p3,p4,p100表示100个规则，现将它们聚类

• [p1]
• [p1, p2] 假设similarity(p1,p2) 大于一个阈值如 0.75，则把p2加到 p1 中去
• [p1,p2],[p3] 假设 similarity(p1,p3) < 0.75, similarity (p2, p3) < 0.75, 则为 p3 单独开辟一个空间
• [p1,p2],[p3,p4] 假设similarity(p1,p4)<0.75, similarity(p2,p4)<0.75, similarity(p3,p4) > 0.75, 所以将p4 加到 p3 中去
• 依次类推
  做完聚类之后在平均

step2： 生成tuple（本质是计算相似度）
假设我们有了规则库，以及一篇文档，我们要根据规则来匹配tuple，如果规则的实体类别与文档中tuple的实体类别相同，那么我们就计算 similarity（规则，tuple），若值 >0.75，就把tuple加入到原来 seed tuple库中。这里计算 similarity 的前提 是要把 匹配的tuple 也表示成 5元组向量的形式。如图

step3 评估+ 过滤 规则
给定一个规则，我们如何去评估这个规则的好坏呢？？
我们只要拿这个规则去文档里面匹配 tuple，则我们可以得到只由这个规则生成的 seed tuple 库；注意我们原来的 seed tuple 库是由许多条规则生成的。
我们只需数出新生成的tuple中有多少条在原来tuple库中，就可以计算出正确率，如图


step4：评估+过滤 tuple
我们现在有了每条规则和规则对应的正确率
我们也有tuple 库，需要注意这里的每条tuple可能是由多个规则生成的，如图

如何评估各个tuple的正确率？？

5.snowball总结

• 信息抽取领域重要的算法
• 细节巧妙（如规则的5元组表示，相似度计算，聚类，正确率等等）