信息抽取
信息抽取是指自动识别非结构化自然语言文本中的结构化信息（实体、关系和事件）的任务。
用 PaperMind 寻找选题即将推出Find papers & topics
Tools & resources
Learn & explore
视频即将推出
Definition
信息抽取通过检测和分类实体提及、它们之间的关系以及它们参与的事件，将非结构化文本转换为结构化表示，通常用于填充数据库或知识库。
Scope
本主题涵盖从文本中抽取结构化事实：命名实体识别、关系抽取、事件抽取、共指消解以及模板或知识库的填充。它涉及基于规则、统计序列标注以及监督和远程监督方法，并通过精确率和召回率评估抽取效果。用于训练抽取器的一般机器学习方法属于机器学习子领域；此处重点关注抽取任务及其语言学挑战。
Core questions
- 如何检测和分类文本中提及的实体，例如人物、组织和地点？
- 如何识别和抽取实体之间的关系？
- 如何识别事件及其参与者，以及如何解决共指问题？
- 如何评估抽取性能，以及精确率和召回率之间会产生哪些权衡？
Key concepts
- 命名实体识别
- 关系抽取
- 事件抽取
- 共指消解
- BIO序列标注
- 模板填充
- 知识库填充
- 精确率和召回率
Key theories
- 作为序列标注的命名实体识别
- 识别实体提及通常被框定为用标签（例如，使用BIO方案）标注每个词元，通过利用上下文标记跨度及其类型的序列模型来解决。
- 关系和事件抽取
- 除了实体之外，信息抽取还识别实体如何关联以及发生哪些事件，填充结构化模板；这种任务驱动的框架由消息理解会议明确提出。
- 知识库填充
- 抽取的实体和关系可以聚合起来构建或扩展知识库，将提及链接到规范实体，并从大量文本集合中积累事实。
Clinical relevance
信息抽取将文本转化为可查询数据，应用于生物医学文献挖掘、金融和新闻分析、构建知识图谱以及从文档中填充数据库等，使大量非结构化文本可供下游系统使用。
History
信息抽取由20世纪80年代末和90年代的消息理解会议（MUC）塑造，这些会议定义了命名实体识别和模板填充等任务，并引入了标准化评估。该领域从手工规则发展到统计序列模型，后来又发展到神经网络方法，同时保持了其任务结构。
Key figures
- Ralph Grishman
- Beth Sundheim
- Christopher D. Manning
- Daniel Jurafsky
Related topics
Seminal works
- grishman1996
- jurafsky2023
Frequently asked questions
- 什么是命名实体识别？
- 命名实体识别是查找和分类指代真实世界实体（如人物、组织、地点和日期）的文本片段的任务。它通常是信息抽取的第一步，因为许多关系和事件都是以这些实体来表述的。
- 如何评估信息抽取？
- 抽取通常通过精确率（抽取项中正确的比例）和召回率（正确项中被抽取的比例）进行评估，通常结合成F值。这反映了抽取过少和抽取不正确信息之间的权衡。