关系抽取入门：从文本中挖掘实体间的关联关系

可视化演示

展示关系抽取从文本到三元组的流程、四种方法准确率对比、以及远程监督知识库对齐自动标注机制。

任务定义

在分拣中心，“关系标注员”每天面对的是海量的包裹单。一张包裹单，就是一段自然语言文本。包裹单上最重要的信息，就是寄件人、收件人和物品描述。在关系抽取里，这些重要的名词（比如人名、地名、机构名、时间）就是实体。而我们要找的，就是两个实体之间存在的特定语义关系，比如“张伟”是“李梅”的丈夫。

那么，关系抽取到底是一个怎样的任务呢？我们可以用一句话概括：给定一段文本和两个已知的实体，判断这两个实体之间存在什么关系。所以，这个任务的输入是“文本+实体对”，输出则是预定义好的关系类别。这就像包裹单上会有一个“关系栏”，分拣员需要根据包裹内容，判断寄件人和收件人之间是“亲属”、“同事”还是“商业伙伴”。

为了统一表示，研究者们通常把结果建模为关系三元组的形式：

$$(实体1, 关系类型, 实体2)$$

从应用层面看，关系抽取是构建知识图谱的核心步骤，也是智能搜索、推荐系统和问答系统的基石。理解了任务定义，我们就知道需要给机器准备什么样的“数据和答案”——也就是后续要讲的标注数据和预定义关系类型。

1. 实体1：句子中的主体，通常是名词短语，如人名、机构名。

$$(实体_1, \; 关系, \; 实体_2)$$

2. 关系类型：预定义的语义连接，如“创办”、“位于”、“治疗”。

$$(实体_1, \; r \in \mathcal{R}, \; 实体_2)$$

3. 实体2：句子中的客体，是关系连接的另一个实体。

$$(e_1, \; r, \; e_2)$$

我们已经拆解了任务定义。回到分拣中心的比喻：如果包裹单过于简单，或者实体标识不清，分拣员就会无从下手。同样，关系抽取的最大挑战，就来自自然语言的复杂性和实体表达的多样性。接下来，我们要面对的第一个问题就是：关系到底有哪几种？

预定义关系

正如快递公司会有一套标准的“关系分类手册”（比如父子、同事、合作方），关系抽取的第一步，也是确定一份预定义关系类型清单。这份清单决定了模型能识别出哪些“关系标签”。

这份清单通常是根据实际应用的人工体系来定义的。例如，在人物关系抽取中，我们会定义“亲属”、“配偶”、“创始人”、“国籍”等标签。在新闻领域，可能更关心“任职”、“收购”、“出生于”等。这就是关系模板的作用——每个关系类型，都对应着一些常见的表达模板，像“位于”关系通常会有“…位于…”这样的句式模板。

然而，现实世界的文本包罗万象，关系类型也很难穷尽。当预定义类型不足以覆盖时，我们就需要开放关系抽取——让模型不再受限于固定模板，而是自动从语料中发现和归纳出适合当前语境的“关系标签”。这就像你在分拣一个超重包裹时，发现公司手册里没有对应选项，于是你根据经验临时创建一个新标签，只要你标注得够多够合理，这个标签也可能被认证为“通用关系”。

在定义了关系标签后，下一步就要想办法让机器去自动识别它们。在深度学习兴起之前，人们是怎么做的呢？

传统方法

在计算机算力不足的年代，分拣中心没有高科技扫描仪，只有“纸笔”和“操作手册”。传统关系抽取方法，就是基于这种“人工制定规则和特征”的模式。

最早期的方法是基于规则模板的方法。研究者们像编写操作手册一样，人工编写大量的语言模板。例如，要抽取“总部位于”关系，可以编写模板：“［公司］的总部位于［城市］”。这种方法就像给分拣员一张写着“如果包裹单有'…的总部位于…'字样，就归为此类”的检查卡。规则法在小规模、特定领域中准确率很高，但编写成本巨大，且一旦文本表述变化，规则就失效了。

为了弥补规则的不足，研究者提出了基于统计特征的基于特征的方法。他们不再手写硬性规则，而是让机器通过对大量已标注数据的学习，自动总结出特征与关系类别之间的关联。例如，通过提取两个实体之间的词法特征（实体自身的类型）和上下文特征（实体周围的词），喂给一个分类器（如支持向量机 SVM），让机器自己判断关系类别。这就像分拣员通过大量观察，发现“包裹上印着公司Logo”和“寄件地址是办公区”这两个特征，与“商务件”高度相关。

此外，还有一类基于核函数的方法。它不必显式构造海量特征，而是直接定义一个函数计算两个样本（例如两个实体上下文）之间的相似度，再利用这种相似度进行关系分类。核函数方法在结构化特征和时序特征上表现优异，弥补了特征工程中不易捕捉的“深层”结构。

不过，无论是规则、手工特征还是核函数，都需要大量人工干预——要么需要语言学家写规则，要么需要专家设计特征。这些方法在小规模数据上能跑通，但在海量文本面前就显得力不从心了。这时，深度学习开始登场。

深度学习方法

深度学习的兴起，就像分拣中心终于引进了一套“智能自动分拣机”。它不再需要人工编写包裹分类规则，而是通过大量的“学习”，自动从文本中提取各种复杂的特征和模式。

在深度学习时代，关系抽取通常被建模为一个分类任务。模型接收句子和实体对，通过神经网络自动学习丰富的语义表示，最后接入一个分类层来预测关系类型。早期代表性的模型包括CNN模型。CNN像一部扫描仪，通过多个卷积核在文本序列上滑动，抓取句子中关键的局部特征，比如“创办”这个词出现在“乔布斯”和“苹果公司”之间，往往是“创办”关系的重要信号。

然而，人与人的关系表达通常跨越较长距离，单靠“局部扫描”不够。于是RNN（循环神经网络）与注意力机制被引入。RNN擅长按顺序理解文本，像一个分拣员从头到尾读包裹单，记住了前面提到的人和后面发生的事，从而建立长距离依赖。注意力机制则像一束聚光灯，让模型在处理不同部分时，有侧重地关注对“当前关系判断”最重要的词语，分拣员会更聚焦于“双方的关系称呼”而非冗余地址。

随着预训练语言模型（如BERT）的诞生，关系抽取进入了一个“全面理解”的新阶段。BERT通过在海量文本上的自监督预训练，具备了强大的语义理解能力。使用时，只需将句子和实体位置标记输入，BERT编码后直接输出关系分类结果。这就像给分拣员配备了一台全息扫描仪，能通过上下文理解“乔布斯”和“苹果公司”之间的深层语义关联，即便表述是“苹果由乔布斯创立”也能正确识别。

深度学习方法虽然性能强大，但它有一个致命的前提——需要海量的、高质量的人工标注数据。在真实的业务中，标注成千上万条“实体对+关系”极其昂贵。如何“免费”获取大量标注数据？远程监督由此应运而生。

远程监督

如果有一本现成的“关系百科词典”（知识库），我们能不能用它来替代人工标注？远程监督就是基于这样的想法诞生的。

它的核心思想是：利用一个现成的知识库（比如 Wikidata）, 去对齐海量非结构化文本。假设知识库里有“（爱因斯坦，出生于，德国）”这一三元组，那么在互联网语料中，任何同时含有“爱因斯坦”和“德国”这两个实体的句子，都会被自动标注上“出生于”这个关系，而无需人工阅读和标注。

远程监督极大地缓解了关系抽取的数据瓶颈，但也有一个著名的问题——标注噪声。比如，一句“爱因斯坦在德国生活了多年”虽然同时包含“爱因斯坦”和“德国”，但表达的其实是“居住于”而非“出生于”关系。自动标注的“粗鲁”之处在于，它仅仅基于实体的共现，而完全忽略了句子本身的语义。

为了解决这个噪声问题，研究者提出了关键的 多实例学习 范式。具体做法是：将所有包含同一对实体的句子打包成一个“包”（Bag），在训练时，我们不再强求每个句子都被正确标注，而是假设这个“包”中至少有一个句子真正表达了知识库中的关系。模型在预测时，自动从包中选取最相关的那个句子（注意力机制也常被用来实现这一点）来学习。这样一来，即使部分句子是“捣乱分子”，只要包里有“明白人”，模型依然能学到正确的知识，从而有效降低噪声影响。这就好比分拣员在大量包含“爱因斯坦与德国”的包裹中，自动挑选那一个个真正写着“出生于”的包裹来学习归类。

远程监督成功把“人工标注数据”变成了“知识库+语料”的自动对齐，这极大地拓展了距离监督可使用的数据规模，也使得大规模构建领域知识图谱成为可能。

评估与应用

有了前面的“算法”与“数据”，如何判断一台分拣机器的好坏？如何把它投入到真实的生产流水线中？评估与应用是关系抽取走向落地的“最后一公里”。

评价关系抽取模型的标准指标，主要基于精确率、召回率和F1值。用分拣中心的语言来说：精确率是“你判断为商务件的包裹中，真正是商务件的比例”；召回率是“所有真正商务件的包裹里，你成功挑出了多少”；F1值则是二者的调和平均，用于综合衡量模型表现。在关系抽取任务中，精确率和召回率往往是一对矛盾体——机器学习工程师需要根据具体场景（比如是宁可漏检也不误报，还是宁可误报也不漏检），来设计最合适的模型和阈值。

当模型在标准数据集上表现良好，它就可以被部署到实际应用中。最典型的就是知识图谱构建。像谷歌搜索右侧的百科知识卡片，背后的知识图谱往往是由大量关系抽取系统从网页中自动提取出来的三元组构成的。在特定领域中，信息抽取系统 从金融公告、医疗病历、法律文书中抽取实体关系，帮助行业从业者节省大量阅读时间。

作为总结，评估与应用把我们从“认识定义”带向了“创造价值”。就像是一位分拣员如果只会背手册，而不会用指标衡量自己的分拣质量，那么这个团队注定无法高效运转。唯有通过科学评估、恰当应用，关系抽取才能真正成为人工智能从“看”到“懂”的得力助手。

AI 应用场景

Python 演示

import refrom collections import defaultdict # 预定义关系模板库RELATION_PATTERNS = {    '创始人': [        r'(.{0,6}?)创立了(.{0,6}?)',        r'(.{0,6}?)创办(?:了)?(.{0,6}?)',        r'(.{0,6}?)是(.{0,6}?)的创始人'    ],    '总部位于': [        r'(.{0,6}?)总部(?:是|设)?(?:于|在)?(.{0,6}?)',        r'(.{0,6}?)将总部设在(.{0,6}?)'    ],    '任职于': [        r'(.{0,6}?)担任(.{0,6}?)的(.{1,4})',        r'(.{0,6}?)出任(.{0,6}?)'    ],    '出生于': [        r'(.{0,6}?)出生于(.{0,6}?)',        r'(.{0,6}?)生于(.{0,6}?)'    ]} # 候选实体词表，用于替换模板中的通用名词ENTITY_MARK = re.compile(r'(乔布斯|苹果公司|库克|库比蒂诺|马云|阿里巴巴|马斯克|特斯拉)') def extract_entities(sentence):    """基于词典的简单实体识别"""    entities = set(ENTITY_MARK.findall(sentence))    return sorted(entities, key=len, reverse=True) def match_relation(sentence, entity1, entity2):    """尝试用关系模板匹配句子中的实体对"""    for rel, patterns in RELATION_PATTERNS.items():        for pattern in patterns:            m = re.search(pattern, sentence)            if m:                # 将匹配到的槽位与实体对应                groups = m.groups()                if len(groups) >= 2:                    return rel    return '未知' def distance_supervise(sentence, kb):    """    模拟远程监督：用知识库自动标注句子    如果句子同时包含知识库中的实体对，则打上对应关系标签    """    labels = []    for (e1, e2), rel in kb.items():        if e1 in sentence and e2 in sentence:            labels.append((e1, e2, rel))    return labels def pipeline(sentence, kb=None):    """主流程：实体识别 -> 关系分类（规则法 + 远程监督）"""    print(f'原文: {sentence}')    ents = extract_entities(sentence)    print(f'识别到实体: {ents}')     results = []    if len(ents) >= 2:        for i in range(len(ents)):            for j in range(len(ents)):                if i == j:                    continue                e1, e2 = ents[i], ents[j]                rel = match_relation(sentence, e1, e2)                if rel != '未知':                    results.append((e1, rel, e2))     # 如果有知识库，则额外使用远程监督    if kb:        ds_labels = distance_supervise(sentence, kb)        for e1, e2, rel in ds_labels:            if (e1, e2) not in [(r[0], r[2]) for r in results]:                results.append((e1, rel, e2))     if not results:        print('未抽取到有效关系。')    else:        for e1, rel, e2 in results:            print(f'抽取结果: ({e1}, {rel}, {e2})') if __name__ == '__main__':    sentence = '乔布斯创立了苹果公司，其总部位于库比蒂诺。'    kb = {('乔布斯', '苹果公司'): '创始人'}    pipeline(sentence, kb)

1. RELATION_PATTERNS = {...}定义一个“关系模板库”，每种关系类型包含多个语言表达模式，就像分拣手册中的检查卡。
2. extract_entities(sentence)用词典匹配识别句中实体，这是关系抽取第一步“找包裹”。
3. match_relation(sentence, entity1, entity2)遍历所有模板，用正则匹配文本结构，类似模式规则。
4. distance_supervise(sentence, kb)模拟远程监督：知识库中已有的实体对出现在句子里，就直接打上标签。
5. pipeline(sentence, kb)串联整个流程：先实体识别，再关系分类，最后混合远程监督补充结果。

常见误区

面试题