想象你正在组织一场二十年后的老同学聚会。你面前摆着一堆泛黄的同学录、班级群聊天记录和朋友圈截图，上面写着“王晓是那个健身房的创始人”“李明在杭州定居了”“赵佳毕业于北京大学”。你需要把这些零散的文字变成一张清晰的人物关系图——谁和谁是合伙人、谁在哪个城市、谁是谁的校友。这个过程，就是自然语言处理里大名鼎鼎的“关系抽取”（Relation Extraction，简称 RE）。它要做的事非常纯粹：从非结构化文本中找出两个实体之间的语义联系，输出成“（实体1, 关系，实体2）”这样的三元组，比如 （王晓，创始人，健身房）、（李明，定居城市，杭州）。这套本领是构建知识图谱、智能问答和信息抽取系统的地基——机器一旦学会“读关系”，就能把海量文档变成可检索、可推理的结构化知识。接下来，我们就沿着“整理同学录”这条故事线，把关系抽取的原理、方法路径和评估标准一网打尽。

岗位关联

掌握关系抽取，是构建知识图谱、搭建智能问答系统的核心技能，能帮你把非结构化文本转化为机器可用的结构化知识，是 NLP 工程师的必修课之一。

目录
  1. 可视化演示
  2. 任务概述：从文本到关系图
  3. 关系分类体系：给关系上户口
  4. 规则驱动方法：老师傅的经验手册
  5. 监督学习方法：带标签的课堂
  6. 远程监督方法：借知识库偷懒标注
  7. 评估指标：给系统出一份体检报告
  8. AI 应用场景
  9. Python 演示
  10. 常见误区
  11. 面试题

可视化演示

展示NLP关系抽取的完整流程：文本到实体对识别再到关系分类的三元组提取，以及规则、监督学习、远程监督三种方法的精确率召回率对比。

本节配有交互动效（进入视口后自动加载，约 3KB）。

关系抽取流程：文本到三元组 输入文本经NER识别实体，再对实体对进行关系分类 关系分类输出三元组，构建知识图谱的边 Triple = (Head, Relation, Tail) 关系抽取从非结构化文本中提取结构化关系。

任务概述：从文本到关系图

组织同学聚会的第一步，是先把散落在各处的“人物线索”收集起来：谁的名字出现了、被提到了多少次、出现在什么语境里。这些线索就是自然语言处理中的实体——人名、公司名、地名等具体对象。而关系抽取要做的，是在实体之上再进一步：不仅知道“马云”和“阿里巴巴”都出现了，还要知道“马云是阿里巴巴的创始人”这一层联系。就像主办人不能只记下到场人员的名单，还得在名单边上标注“这位是那位的老搭档”。

从技术上讲，关系抽取是信息抽取的核心子任务，位于实体识别之后、知识图谱构建之前。它的输入是一段非结构化文本，输出是一组结构化的关系三元组。上游的实体识别负责回答“谁在哪里”，关系抽取则负责回答“他们之间是什么关系”，两者串联起来，才构成完整的“读人读事”能力。下游的应用非常广：搜索引擎的知识图谱、电商的图谱推荐、医疗病历的结构化，都依赖这一步把句子“拧”成图谱上的边。

一个关系三元组可以形式化地定义为：

回到同学录的比喻：实体就是“通讯录里的名字”，关系三元组就是“在名字之间画出的连线”。主办人最终拿出的人脉关系图，本质上就是一张由无数三元组拼成的知识图谱，而画每一条线，都是一次关系抽取。

R={(h,r,t)∣h∈E, t∈E, r∈Rs}\mathcal{R} = \{ (h, r, t) \mid h \in E,\ t \in E,\ r \in \mathcal{R}_s \}
这个式子是说：关系抽取的结果集合 R，由无数条 （头实体，关系，尾实体） 记录组成，其中头尾实体都来自实体集合 E，关系类型来自预定义的关系集合 R_s。
  1. 头实体 h关系记录中的主动方，比如“马云是阿里的创始人”中的马云，它从实体集合 E 中取出。
    h∈Eh \in E
  2. 尾实体 t关系所指向的被动方，比如同一句话中的阿里巴巴，同样来自实体集合 E。
    t∈Et \in E
  3. 关系类型 r连接头尾实体的语义纽带，取值限定在预先设计好的关系类型集合 R_s 中。
    r∈Rsr \in \mathcal{R}_s
  4. 三元组集合 R所有合法 (h, r, t) 组成的集合，即关系抽取最终要输出的结构化结果。
    R={(h,r,t)∣h∈E, t∈E, r∈Rs}\mathcal{R} = \{ (h, r, t) \mid h \in E,\ t \in E,\ r \in \mathcal{R}_s \}

关系分类体系：给关系上户口

主办人拿到一堆关系线索时，第一反应可能是：关系也分很多种啊！“创始人和公司”是开创关系，“出生地和人物”是地域关系，“毕业于和学校”是教育经历关系。如果不事先把这些关系分类定好，后面所有步骤都会乱套。这个“给关系上户口”的工作，在技术叫关系分类体系设计，它决定了系统能为哪些语义联系发“身份证”。

关系分类体系最常见的是预定义关系模式：由领域专家事先枚举出所有关心的关系类型，比如人物-公司-职位、药物-疾病-治疗等，模型的任务就是把每个实体对归入其中一个类别。与之相对的是开放关系抽取，它不预先枚举关系类型，而是直接从句子中动态挖掘“动词短语”作为关系标签，适合关系无法穷举的开放领域。设计时还要注意关系粒度：类型太粗会丢失信息，太细则标注困难、类别不平衡严重。

把关系识别建模化，可以看成在给定实体对时选出一个最可能的类别：

关系分类体系就像同学录上印好的那排“关系勾选项”：同事、室友、同桌、合作伙伴。选项设计得越贴合实际，主办人填写时就越省力；反过来，如果只印了“认识”和“不认识”，这张关系图也就没什么参考价值了。

r∗=arg⁡max⁡r∈Rs  P(r∣h,t)r^{*} = \arg\max_{r \in \mathcal{R}_s}\; P(r \mid h, t)
意思是：当已知头实体 h 和尾实体 t 时，系统逐个检查每个候选关系类型，把概率最高的那个 r 作为预测结果。
  1. 给定实体对 (h,t)已经定位到两个实体，问题退化为“这两人之间到底是什么关系”。
    (h,t)(h, t)
  2. 条件概率 P(r|h,t)在已知实体对的条件下，每个候选关系类型都有出现概率，概率越大越可信。
    P(r∣h,t)P(r \mid h, t)
  3. 遍历候选关系把预定义关系集合 R_s 中的类型逐个拿出来比较得分。
    r∈Rsr \in \mathcal{R}_s
  4. arg max 决策在所有候选中挑出概率最高的作为最终输出的关系类型。
    r∗=arg⁡max⁡r∈Rs  P(r∣h,t)r^{*} = \arg\max_{r \in \mathcal{R}_s}\; P(r \mid h, t)

规则驱动方法：老师傅的经验手册

最原始也最直观的抽取方式，靠的是“老师傅的肉眼和经验”。主办人翻了三天聊天记录，总结出一条规律：凡是出现“某某是某某的创始人”这种句式，十有八九是创业合作关系；凡是“某某毕业于某某大学”，就是校友关系。他把这些句式写成一张经验手册，交给实习生照着匹配。这就是规则驱动方法——用人工编写的模板和触发词去文本中做模式匹配。

规则驱动方法的核心是模板匹配和触发词模式。比如模板“X 是 Y 的创始人”命中句子“马云是阿里巴巴的创始人”，就把 X 填为实体1、Y 填为实体2、关系定为“创始人”。进阶一点的做法是利用句法模式，借助分词、词性标注和依存句法树，把模板从“字面字符串”升级为“句法结构”，从而提高泛化能力。这类方法的优点是解释性强、无需训练数据、在小规模垂直场景中立竿见影；缺点也很明显——语言表达千变万化，规则永远追不上人们的说法。

一条模板规则的匹配过程可以写成：

老师傅的经验手册在“话术高度统一”的场景里特别好用，比如公司内部公告、简历模板——大家都按固定格式写，规则一抓一个准。可一旦遇到“那位互联网巨头的掌舵人是马云”这种绕弯子的表达，手册就翻不动了，这就需要下一节更聪明的学习型选手出场。

⟨E1, Pattern, E2⟩  ⇒  (E1,r,E2)\langle E_1,\ \mathrm{Pattern},\ E_2 \rangle\;\Rightarrow\;(E_1, r, E_2)
它表示：当句子中有一段文本同时满足头实体槽位 E1、上下文模板 Pattern、尾实体槽位 E2 时，就触发规则，输出一条关系三元组。
  1. 头实体槽位 E1模板中的第一个占位符，等待句子中的“谁”来填入。
    E1E_1
  2. 上下文模板 Pattern连接两个实体的固定句式或触发词，是规则引擎的判别核心。
    Pattern\mathrm{Pattern}
  3. 尾实体槽位 E2模板中的第二个占位符，等待句子中的“什么”来填入。
    E2E_2
  4. 规则触发输出三个槽位全部被文本填满即命中规则，输出一条三元组记录。
    ⟨E1, Pattern, E2⟩⇒(E1,r,E2)\langle E_1,\ \mathrm{Pattern},\ E_2 \rangle \Rightarrow (E_1, r, E_2)

监督学习方法：带标签的课堂

既然规则手册覆盖不了千变万化的说法，那就让机器自己“悟”。主办人请来一位助理，给了他几千张已经标注好的小卡片，每张卡片写着一句话和它对应的关系类别：“乔布斯创立了苹果 → 创始人关系”“米兰是意大利的城市 → 位于关系”。助理对照答案反复揣摩，慢慢就学会了什么样的表达对应什么样的关系。这就是监督学习：用大量人工标注的 （句子，关系） 样本训练一个分类模型。

监督式关系抽取最早靠特征工程，人工设计词法、句法和实体特征喂给分类器；后来CNN 通过卷积核自动捕捉局部 n-gram 模式，RNN 通过循环结构建模整个句子的序列依赖。近几年 BERT 等预训练模型成了主力，它用自注意力机制把每个词放到整个句子的语境里去理解，实体周围的上下文被编码成丰富的语义向量，关系识别精度大幅提升。无论哪种模型，最后一步都是对“这个句子属于哪个关系类别”做多分类。

模型的分类输出通常用 softmax 归一化为概率：

助理经过几百张卡片的训练，就成了比老师傅手册灵活得多的“关系鉴别师”——他没见过“那位互联网巨头的掌舵人”这种说法，却能从“掌舵人”和“巨头”的语境里嗅出创始关系。代价是，上课用的标注卡片需要真金白银的人力去制作，这在数据量大的时候是一笔不小的开销。

P(r∣s)=eWr⊤f(s)∑r′∈RseWr′⊤f(s)P(r \mid s)= \frac{e^{W_r^{\top} f(s)}}{\displaystyle \sum_{r' \in \mathcal{R}_s} e^{W_{r'}^{\top} f(s)}}
句子 s 先被编码成向量 f(s)，然后每个候选关系 r 对它打一个分数，softmax 把这些分数转成概率，概率最大的关系就是预测结果。
  1. 句子向量化 f(s)编码器把整句话（含实体位置）变成稠密向量，供后续打分使用。
    f(s)f(s)
  2. 关系打分 W^T f(s)每个候选关系用一组权重对句子打分，得分越高越像该关系。
    Wr⊤f(s)W_r^{\top} f(s)
  3. softmax 分母归一化把所有候选关系的得分做指数变换后求和，构成总分母。
    ∑r′∈RseWr′⊤f(s)\displaystyle \sum_{r' \in \mathcal{R}_s} e^{W_{r'}^{\top} f(s)}
  4. 概率取最大得分除以总分得到 0 到 1 之间的概率，最大值即预测关系。
    P(r∣s)=eWr⊤f(s)∑r′∈RseWr′⊤f(s)P(r \mid s) = \frac{e^{W_r^{\top} f(s)}}{\sum_{r' \in \mathcal{R}_s} e^{W_{r'}^{\top} f(s)}}

远程监督方法：借知识库偷懒标注

人工标注太贵了，主办人灵机一动：校友会不是有一本官方名册吗？名册上写着“某公司创始人”的人，只要聊天记录里同时提到这两个人的名字，大概就可以认定是那个关系吧？这个“拿来主义”的思路，就是远程监督。它不靠人工标注，而是借助一个已有的大型知识库（如 Wikipedia 对应的 Freebase），自动为语料生成标签。

具体流程是知识库对齐：知识库里有一条 （马云，创始人，阿里巴巴），那么凡是同时提到“马云”和“阿里巴巴”的句子，都被自动标上“创始人”关系。一条知识库事实可以批量制造几十上百条训练样本，成本几乎为零。但天下没有免费的午餐，这个自动标注过程伴随着明显的标签噪声——“马云在演讲中批评了阿里巴巴的管理问题”这句话里并没有创始人关系，却照样被打上了“创始人”标签。模型听到太多错误答案，表现自然打折扣。

远程监督的核心假设可以写成：

主办人用名册“远程代标”虽然省力，但也会闹出笑话：两个同名同姓的人被误当成一对搭档。为了挽救这个偷懒方案，研究者提出多实例学习——不再要求每个句子都表达关系，而是把包含同一实体对的一组句子打包，只要“包里至少有一句”表达该关系就让包通过。就像审稿人看一叠证据，不要求每页都有效，只要整叠材料能坐实关系就予以采信。

∀s:  {h,t}⊆Ent⁡(s)  ∧  (h,r,t)∈KB  ⇒  y(s)=r\forall s:\;\{h, t\} \subseteq \operatorname{Ent}(s)\;\wedge\; (h,r,t) \in KB\;\Rightarrow\;y(s) = r
只要句子 s 同时出现头实体 h 和尾实体 t，并且知识库 KB 里存在它们的关系 r，就无条件把 s 标为关系 r——这就是噪声的来源，也是后续多实例学习要修正的地方。
  1. 知识库事实 (h,r,t)∈KB知识库中已有的一条“两人有关联”的权威记录。
    (h,r,t)∈KB(h, r, t) \in KB
  2. 实体共现检测某句子 s 中同时出现了头实体 h 和尾实体 t，这是触发自动标注的前提。
    {h,t}⊆Ent⁡(s)\{h, t\} \subseteq \operatorname{Ent}(s)
  3. 自动标签赋值把知识库中的关系 r 直接当作该句子的监督标签，完全省去人工标注。
    y(s)=ry(s) = r
  4. 全称量词概括对所有满足共现条件的句子统一套用该规则，批量制造大量训练样本。
    ∀s:  {h,t}⊆Ent⁡(s)∧(h,r,t)∈KB⇒y(s)=r\forall s:\; \{h, t\} \subseteq \operatorname{Ent}(s) \wedge (h,r,t) \in KB \Rightarrow y(s) = r

评估指标：给系统出一份体检报告

同学聚会结束后，主办人要复盘：助理抽取的关系到底靠不靠谱？这就轮到评估指标登场。评估关系抽取系统，最常用的三件套是精确率（Precision）、召回率（Recall）和 F1 分数。想象助理交来一堆关系卡片，我们需要数清：卡片上的记录有多少是真的（精确）；真实存在的关系他又漏掉了多少（召回）。

技术上有四个基础计数：TP 是系统抽出来且正确的关系数，FP 是抽出来但实际不对的关系数，FN 是真实存在但被漏掉的关系数。精确率回答“抽出来的结果有多干净”，召回率回答“真实的关系被找回了多少”。好的系统当然希望两个都高，但它们往往此消彼长——放宽标准能提高召回却引入误报，收紧标准能提高精确却增加漏报，于是用 F1 做调和平均来综合权衡。

三者的计算公式如下：

这就像主办人复核助理的成果：精确率关心“助理交上来的卡片有没有张冠李戴”，召回率关心“该记的缘分有没有漏记”，F1 则是把两方面压成一句总评。在真实的评测数据集（如 SemEval、TACRED）上把 F1 刷上去，几乎是每篇关系抽取论文的终极目标。

P = \frac{TP}{TP+FP},\qquadR = \frac{TP}{TP+FN},\qquadF_1 = \frac{2PR}{P+R}
精确率强调“别冤枉好人”，召回率强调“别放过坏人”，F1 是二者的调和平均，数值越高说明系统整体越均衡。
  1. TP 正确抽取系统抽出的关系中，确实属于目标关系的样本数量。
    TPTP
  2. FP 误报系统抽出来了，但实际并不构成目标关系的样本数量。
    FPFP
  3. FN 漏报真实存在目标关系，但系统没有抽出来的样本数量。
    FNFN
  4. 精确率 P预测为正的结果里真的为正的比例，衡量“抽得准不准”。
    P=TPTP+FPP = \frac{TP}{TP+FP}
  5. 召回率 R真实关系中被成功找回的比例，衡量“漏得少不少”。
    R=TPTP+FNR = \frac{TP}{TP+FN}
  6. F1 调和平均把 P 和 R 合并成一个综合分，避免单看一项被带偏。
    F1=2PRP+RF_1 = \frac{2PR}{P+R}

AI 应用场景

企业级知识图谱自动化构建

阶段：数据准备与预处理

解决的问题：传统知识图谱靠专家手工录入，无法跟上业务数据爆炸式增长；关系抽取可以从海量产品文档、合同、公告中自动抽出“公司与高管”“产品与属性”等三元组，把图表化工作从“人肉填表”升级为“机器流水线”。

具体案例：某互联网公司的搜索团队在构建行业知识图谱时，用远程监督加 BERT 精调的关系抽取管线，从 500 万篇企业新闻中自动抽取“创始人”“融资”“收购”三类关系，把图谱构建周期从三个月压缩到两周，F1 达到 0.86。

医疗电子病历结构化

阶段：特征提取与建模

解决的问题：病历文本中“患者”“症状”“用药”之间的关系是临床决策的关键支撑，但病历写法高度专业化、表达多样；关系抽取模型可以自动识别“阿莫西林→治疗→感染”这类诊疗关系，让非结构化病历变成可查询的结构化数据。

具体案例：某三甲医院信息科部署了基于 BERT 的医疗关系抽取模型，对 10 万份出院小结做药物-疾病关系抽取，自动生成不良反应预警列表，辅助药师审核处方。

智能问答系统的答案定位

阶段：模型推理与决策

解决的问题：用户问“马云的母校是哪里”时，系统需要从文本中定位实体“马云”与“母校”之间的关系；关系抽取把问句与文档都转化成三元组，使问答从关键词匹配升级为语义级的“关系匹配”，显著提升复杂问题的正确率。

具体案例：某银行智能客服利用关系抽取构建“客户-业务-产品”关系网，当用户问“房贷利率是多少”时，系统先抽取问题中的业务实体与关系，再在图谱中定向检索，命中准确率提升了 22%。

Python 演示

python56 行
# -*- coding: utf-8 -*-# 基于规则的关系抽取与P/R/F1评估演示import re RULES = [    (r'(.+?)是(.+?)的创始人', '创始人'),    (r'(.+?)出生于(.+?)', '出生地'),    (r'(.+?)毕业于(.+?)', '毕业院校'),    (r'(.+?)定居于(.+?)', '定居地'),] def rule_based_extract(text, rules):    triples = []    for pattern, rel in rules:        for m in re.finditer(pattern, text):            e1 = m.group(1).strip('，。')            e2 = m.group(2).strip('，。')            if e1 and e2:                triples.append((e1, rel, e2))    return triples def evaluate(predicted, golden):    pred = set(predicted)    gold = set(golden)    tp = len(pred & gold)    precision = tp / len(pred) if pred else 0.0    recall = tp / len(gold) if gold else 0.0    f1 = 2 * precision * recall / (precision + recall) if precision + recall else 0.0    return precision, recall, f1 def main():    sentences = [        '马云是阿里巴巴的创始人，马云出生于杭州。',        '张一鸣是字节跳动的创始人，张一鸣毕业于南开大学。',        '任正非是华为的创始人。',    ]    golden = [        ('马云', '创始人', '阿里巴巴'),        ('马云', '出生地', '杭州'),        ('张一鸣', '创始人', '字节跳动'),        ('张一鸣', '毕业院校', '南开大学'),        ('任正非', '创始人', '华为'),        ('李彦宏', '创始人', '百度'),    ]    predicted = []    for sent in sentences:        found = rule_based_extract(sent, RULES)        predicted.extend(found)        print('句子:', sent)        for t in found:            print('  抽取 ->', t)    precision, recall, f1 = evaluate(predicted, golden)    print('\n精确率: %.2f  召回率: %.2f  F1: %.2f' % (precision, recall, f1)) if __name__ == '__main__':    main()
目的：用一组手写模板演示规则驱动的三元组抽取，并用精确率、召回率、F1 评估模板覆盖真实关系的程度。
  1. RULES = [(r'(.+?)是(.+?)的创始人', '创始人'), ...]定义“触发词 + 实体槽位”的模板库，是规则方法的核心资产。
  2. for m in re.finditer(pattern, text)在句子中扫描所有匹配模板的片段，相当于逐条翻查经验手册。
  3. triples.append((e1, rel, e2))把命中的片段组装成 （头实体，关系，尾实体） 三元组。
  4. pred = set(predicted); gold = set(golden)用集合去重，方便后续快速计算交集与差集。
  5. tp = len(pred & gold)交集大小就是“抽对了”的关系数量 TP。
  6. precision = tp / len(pred) if pred else 0.0精确率，回答“抽出来的有多少是靠谱的”。
  7. recall = tp / len(gold) if gold else 0.0召回率，回答“真实关系被挖出了多少”。
  8. f1 = 2 * precision * recall / (precision + recall)F1 调和平均，综合衡量系统表现。
  9. if __name__ == '__main__':提供可执行入口，直接运行即可看到抽取与评估结果。

常见误区

误区我以为关系抽取就是找出文本里的人名地名，把实体都标出来就算完成任务了，根本没注意还有“关系”这个输出。

正解实体识别只是前置的“找谁”步骤，关系抽取的产出必须是“谁和谁之间是什么关系”的三元组。好比同学录上先记下名字，还要标注“同桌、队长、老搭档”才算完整。实体是图的节点，关系才是图的边，二者缺一不可。

为何常见：实体是文本中最显眼的信息，初学者容易把“识别主语”与“分析谓语关系”混为一谈，看到任务名里带“抽取”就以为是在做实体挖掘。

误区远程监督听起来很高端，而且过程里看不到人工标注，所以它应该属于无监督学习，模型自己无师自通。

正解远程监督其实是一种弱监督/自动标注方法：它借已有知识库与语料对齐，自动给句子贴上关系标签，本质是“用程序代劳人工标注”，标签质量可能很差（含噪）。无监督则完全不依赖任何标签，两者从数据来源上就是两码事。

为何常见：名字里的“远程”让人误以为它离标注很远，其实它只是把人工标注换成了知识库映射，“监督”二字恰恰说明它离不开标签。

误区模型评测报告里精确率 0.95，看起来很漂亮，那就直接用这个模型上线吧，其他指标不用管。

正解精确率高可能只是因为它极度保守，10 条里只敢抽 10 条，全对但漏了 100 条真实关系。如同相亲中介只介绍“绝对匹配的 3 个人”，却忽略另外 20 个合适人选。实践中要看 F1，或者结合精确率-召回率曲线，在两个指标之间找平衡点。

为何常见：精确率数值直观、容易理解，很多人习惯用单一数字概括模型质量，忽略了召回率这一面。

误区现在都是 BERT 的天下，基于模板和规则的关系抽取早就过时了，学它纯属浪费时间。

正解规则法在话术固定、规模可控的垂直场景（如表单、公告、简历）依然高效、可解释、零训练成本；在远程监督噪声过滤、标签修正上，规则也常作为辅助手段出现。深度学习擅长泛化，规则擅长精确约束，二者是互补关系而非替代关系。

为何常见：论文和新闻都在渲染深度模型刷榜，让人误以为“老方法”毫无价值，忽视了工业界“性价比优先”的选型逻辑。

误区为了让系统更强大，我把关系类型设计了 80 多种，觉得分类越细抽取能力就越强。

正解关系类别越多，标注难度越陡增、类别不平衡越严重、相似类别的边界越模糊。就像同学录把“认识”拆成“一起吃过饭”“一起开过会”“一起坐过车”几十种，反而没人能填明白。领域建模要按业务需要选择适中粒度，先粗后细地迭代。

为何常见：人们容易把“分类细”等同于“能力强”，忽略了机器学习的样本需求与类别混淆成本，这是把模型性能问题和数据工程问题混为一谈。

面试题

Q1. 关系抽取的核心目标是？

单选题 · easy

  • A.对文本进行情感极性判断
  • B.从文本中识别实体间的语义关系← 正确答案
  • C.将长文本压缩为简短摘要
  • D.把一种语言翻译成另一种语言

答案：B。关系抽取聚焦“谁和谁有什么关系”，输出 （实体1, 关系，实体2） 三元组；情感判断属于情感分析，摘要生成和机器翻译是独立的 NLP 任务，都不以抽取实体间语义联系为目标。

Q2. 关系抽取输出三元组的规范写法是？

单选题 · easy

  • A.实体在前关系居中尾实体在后← 正确答案
  • B.关系在前实体居中尾实体在后
  • C.实体在前尾实体居中关系在后
  • D.文档在前关系居中实体在后

答案：A。关系三元组的标准形式是 （头实体，关系，尾实体），例如 （马云，创始人，阿里巴巴）。关系永远位于两个实体之间，对应“主语-谓语-宾语”的语言学结构，其他排列均为不规范写法。

Q3. 以下哪项不属于关系抽取的直接任务？

单选题 · easy

  • A.识别乔布斯创立苹果的关系
  • B.从简历中提取毕业院校信息
  • C.判断影评情绪是正面或负面← 正确答案
  • D.识别马云出生在杭州的渊源

答案：C。前三个选项分别对应“创立”“毕业院校”“出生地”等关系，都是关系抽取的直接产出；而判断影评情绪属于情感分析，分析的是观点极性而不是实体间的语义联系。

Q4. 规则驱动方法最大的局限是什么？

单选题 · mid

  • A.训练需要海量显卡资源
  • B.规则难以覆盖多样的语言表达← 正确答案
  • C.无法处理非英文的语料文本
  • D.预测结果永远无法解释清楚

答案：B。规则方法靠人工编写模板和触发词，对“马云是阿里的创始人”这类标准句式很有效，但真实语言表达千变万化，规则永远追不上说话方式的多样性。它不需要训练算力，也不分语言，且天然可解释，因此 A/C/D 都不成立。

Q5. 精确率的计算方式是？

单选题 · mid

  • A.正确正例数除以预测正例总数← 正确答案
  • B.正确正例数除以真实正例总数
  • C.正确负例数除以预测负例总数
  • D.全部正确数除以总体样本总数

答案：A。精确率 P = TP / (TP + FP)，分母是“系统预测为正例的总数”，回答“抽出来的结果有多干净”。B 描述的是召回率，D 描述的是准确率，C 描述的则是特异度，均与精确率定义不符。

Q6. 远程监督方法的核心假设是什么？

单选题 · mid

  • A.同一实体对在不同句子中说话不同
  • B.含同一实体对的句子表达库中关系← 正确答案
  • C.知识库必须纯手工构建保质量
  • D.模型必须使用无标签数据训练

答案：B。远程监督的假设是：只要知识库中 (h, r, t) 成立，且某句子同时提到 h 和 t，就把该句子自动标为关系 r。这个假设很宽松，也因此带来标签噪声；A 是噪声产生的原因而非假设，C/D 与远程监督无关。

Q7. F1分数本质上是什么？

单选题 · mid

  • A.精确率与召回率的算术平均值
  • B.精确率与召回率的调和平均值← 正确答案
  • C.精确率与准确率的差值大小
  • D.召回率与误差率的线性组合

答案：B。F1 = 2PR / (P + R)，是精确率和召回率的调和平均。调和平均对低值更敏感，能防止某一项拖后腿时总分仍然虚高；算术平均（A）会让 0.9 和 0.1 平均成 0.5，而调和平均只有约 0.18，更能暴露偏科问题。

Q8. 基于BERT的关系抽取相比传统CNN模型的最大优势是？

单选题 · hard

  • A.不需要任何预训练语料支撑
  • B.能捕捉深层上下文语义信息← 正确答案
  • C.参数量更少且计算速度更快
  • D.只能处理十个字以内的短句

答案：B。BERT 通过多层自注意力在整句话范围内建模上下文，能区分“马云执掌阿里”和“阿里批评马云”里完全相反的关系方向；而传统 CNN 主要捕捉局部 n-gram 模式。BERT 恰恰依赖海量预训练语料、参数更多更慢，且能处理长句，故 A/C/D 均错误。

Q9. 以下哪些是关系抽取技术的典型应用场景？

多选题 · hard

  • A.知识图谱的自动化构建← 正确答案
  • B.智能问答系统的答案定位← 正确答案
  • C.弹幕内容实时过滤控制
  • D.电子病历诊疗关系提取← 正确答案

答案：ABD。知识图谱需要把文本抽成三元组，问答系统需要借助实体关系定位答案，病历需要抽取“药物→治疗→疾病”的诊疗关系，三者都是关系抽取的典型落地场景；弹幕过滤属于内容审核/文本分类任务，不依赖实体间的语义关系。

Q10. 缓解远程监督标签噪声的常用策略包括？

多选题 · extreme

  • A.多实例学习放宽单句假设← 正确答案
  • B.结合规则过滤明显错误标签← 正确答案
  • C.增加全连接层神经元数量
  • D.降低学习率十倍以上幅度

答案：AB。噪声源自“实体对一旦在知识库中有关系，所有含它们的句子都被标为该关系”的粗暴假设。多实例学习把同一实体对的句子打包、只要求包级别匹配，规则过滤能剔除明显错标样本，两者都直接针对噪声；调整神经元数量或学习率只是普通超参数，不解决标签质量问题。