统一信息抽取UIE：一个模型抽取一切

可视化演示

展示3x3卷积核在5x5输入特征图上滑动计算卷积的完整过程，逐步观察乘加运算与输出特征图生成。

UIE概述：一位管家搞定所有抽取任务

过去我们做信息抽取，就像酒店里每一个服务员只负责一个工种：有人只认房间号，有人只辨餐食，有人只统计活动。每换一种新任务，就得重新招一个“服务员”，重新写一份工作手册。这在 AI 里意味着每个任务都要单独训练模型、单独标注数据、单独调参，代价高昂且难以复用。UIE 的理念，就是请你做“全能管家”：一个人把所有工种包圆。

管家怎么做到？关键在于他手里有一张“指令卡（任务提示）”。你告诉他“今天只记姓名”，他就只抽实体；你告诉他“顺便记下谁和谁是同事”，他就在实体之间找关系；你再告诉他“把会议安排也整理了”，他还能识别事件。不同任务对管家来说只是换了张卡，而不需要雇新人——也就是统一信息抽取中的“一个模型、多种任务”。

在数学上，这个核心思想可以写成：给定一段文本 \(X\) 和一张任务指令卡 \(S\)，模型生成对应的结构化结果 \(Y\)。由于结果是逐字写出来的，整段结果的概率就由每个时刻的预测连乘而成：

回到酒店比喻：有了那位全能管家，你不再需要十位专职服务员。给一张指令卡，他就能见什么人办什么事，甚至你从没写进工作手册的新需求，他也能凭之前见过的服务经验举一反三——这正是 UIE 最迷人的“抽取一切”的泛化能力。

SSM结构：管家的“阅读—书写”脑回路

管家为什么能即读即写？因为他有一套高效的大脑通路：先用眼睛扫过整个材料，快速理解谁是谁、发生在哪，再动笔把要点整理成清单。这在 UIE 里叫作 SSM（Sequence-to-Sequence Modeling，序列到序列建模）。以前做抽取常用“阅读理解后打标签”的模式，而 UIE 选择“读完再写一段结构化话”，让输出不再受限于预先设定的标签集。

SSM 结构的“编码器”就是管家的眼睛和大脑：它把整句话读进去，转化成一组富含上下文的向量表示。“解码器”就是管家的手：它从向量表示中逐字“写”出一个新的序列。这个新序列不是随便写的，而是受任务指令卡约束的结构化文本——例如 (张三, 就职于, 智谱公司)。因为写出来的东西本质上是自然语言的片段，所以它能表达的关系、事件等结构不受标签表大小限制。

序列生成的过程可以写作：当模型已经写出前 \(m-1\) 个词后，它计算第 \(m\) 个词的概率分布，并从中采样或取最可能的值。整句输出概率如下：

就像管家看一遍材料就能写出包括人名、地点、关系和事件的完整摘要，SSM 结构让 UIE 可以自由地把任何抽取结果“写”出来，而不是只能从预设的类别里“选”一个。这套“先读后写”的回路，是生成式抽取得以成立的地基。

SEL方法：管家的“圈注—关联”两步棋

管家在整理材料时会怎么做？先拿荧光笔把重要名字圈出来——这叫 Spotting（发现）；再把彼此有关系的信息用线连起来——这叫 Association（关联）。两者合起来就是 UIE 中著名的 SEL 方法（Spotting and assoCiation）。

第一步 Spotting 像“圈人名”：模型扫描输入文本，把可能是实体片段的位置标记出来，比如“张三”“清华大学”“北京”“智谱公司”。这一步不需要预先知道所有实体类别，而是由任务提示来决定圈什么。第二步 Association 像“连线”：模型把圈出的片段两两关联，判断它们之间存在什么关系，甚至把描述事件的触发词也关联到对应实体上。两步走完之后，原本零散的文本就被整理成了有结构的信息网。

SEL 方法把复杂的抽取过程拆成两个更简单的子问题，方便模型学习和迁移。它的整体流程可以形式化地表示为：

回看酒店场景：管家用荧光笔圈出客人和公司，再用线把“就职关系”连上，最终形成的宾客关系图，就是 SEL 方法的成果。这种“先圈后连”的方式不仅直观，还让 UIE 在处理从未见过的文本类型时，依然知道该先找什么、再连什么。

预训练范式：管家在故事中长大

全能管家不是天生的，而是读了成千上万本故事书练出来的。在他正式上岗前，曾经在一座巨大的“语料庄园”里长期实习：每天阅读不计其数的文章、新闻、对话，通过“看到前半句、猜后半句”的方式，学会了语言中隐藏的规律。这个过程就是 预训练。

预训练的本质，是让模型在一个非常大、不需要人工标注的语料库上自监督学习：把一段文本挖掉后面的词，让模型根据前面的词来预测下一个词。只要语料够多，模型就能学到通用的语法、常识和推理能力。之后拿到具体抽取任务上，只需要用少量标注数据“微调”一下，甚至直接零样本使用，它就能快速适应。这种“先通识后专长”的培养路径，完美契合 UIE 对多任务泛化的需求。

预训练阶段的目标函数是最小化语言建模的负对数似然：

管家读过的故事越多，面对陌生客人时就越从容。预训练范式赋予 UIE 的，正是这种“见多识广后的迁移感”：在小样本甚至零样本条件下，它也能借助通识知识完成抽取，这正是它比传统专用模型更适合新领域的重要原因。

生成式抽取：把“答菜单”变成“写菜单”

管家服务客人的时候，不是拿着固定格式的表单去填空，而是根据当天的菜单自由书写一份服务报告。传统抽取模型像“答题卡”：预设好类别，让模型在选项中打钩；而 UIE 是 生成式抽取：直接把“文本+任务提示”送进模型，让模型像写文章一样输出一段结构化描述，然后再把这篇文章解析成实体或关系。

这样做的好处，是输出空间不再受限于预设类别。今天要抽“人物—公司—职位”，模型就写下 (张三，就职于，智谱公司，算法工程师)；明天要抽“收购事件”，模型就写下 (智谱公司，收购，某企业，2024年)。只要任务提示写得足够清楚，模型就能“即席创作”出相应的结构文本。

为了让输出尽可能准确，解码时会使用“束搜索”等策略：每一步不只保留概率最高的一个词，而是同时保留多条候选序列，最后选出整体概率最高的那条：

生成式抽取让管家从“填表员”升级成了“方案撰写人”。他写的不是死板的标签，而是有语境、有结构的句子；我们只需要在拿到这段文字后做一次轻量解析，就能还原出实体和关系。这个“先写后解析”的设计，正是 UIE 能灵活驾驭多任务的关键。

知识图谱构建：把名片串成关系网

管家把客人的名片收集起来后，最高的价值不是把名片堆在抽屉里，而是按照“谁在哪家公司、公司位于哪里、谁参加了什么活动”画出关系网。这张关系网，在 AI 世界就叫 知识图谱。UIE 因为能同时抽取实体、关系和事件，天然适合做知识图谱的自动构建。

构建流程通常是这样：先用 UIE 抽取出文本中的实体（比如“张三”“智谱公司”“北京”），再抽取实体间的语义关系（比如“就职于”“位于”“创始人”），最后把三元组写入图数据库。由于 UIE 是统一的生成式模型，一个模型就能把上述几步全部完成，省去了传统管线中多个模型推理、格式转换的繁琐环节。

知识图谱在数学上就是一张有向图，其中的每一条知识都可以表示为一个三元组：

回到酒店，管家把名片串成了一张“宾客关系网”：谁是员工、谁是创始人、公司在哪里，一目了然。知识图谱正是这样一张网，而 UIE 就是那位高效织网的人。有了它，知识图谱的自动构建从“多条流水线”变成“一条主线”，显著降低了人工标注和多系统协作的成本。

AI 应用场景

Python 演示

# -*- coding: utf-8 -*-"""简化版 UIE：演示统一信息抽取的 Spot-Associate 核心思想""" import re  class SimplifiedUIE:    def __init__(self):        # 记录"管家"掌握的常见实体模式        self.patterns = {            "person": [r"张[\u4e00-\u9fa5]{1,3}", r"李[\u4e00-\u9fa5]{1,3}"],            "org": [r"[\u4e00-\u9fa5]{2,6}(公司|集团|大学)"],            "loc": [r"[\u4e00-\u9fa5]{2,6}(市|省|区|街)"],        }        # 关系关联规则：(实体类型A, 实体类型B) -> 关系名        self.rules = [            (("person", "org"), "就职于"),            (("org", "loc"), "位于"),        ]        self.entities = []        self.relations = []     def spot(self, text):        # step1: 发现文本中的实体        for etype, regexes in self.patterns.items():            for regex in regexes:                for m in re.finditer(regex, text):                    w = m.group(0)                    if all(w != e[0] for e in self.entities):                        self.entities.append((w, etype))        return self.entities     def associate(self, text):        # step2: 两两组合，关联成关系        for i in range(len(self.entities)):            for j in range(i + 1, len(self.entities)):                a, b = self.entities[i], self.entities[j]                for (ta, tb), rel in self.rules:                    if a[1] == ta and b[1] == tb:                        self.relations.append((a[0], rel, b[0]))        return self.relations     def extract(self, text):        self.entities = []        self.relations = []        self.spot(text)        self.associate(text)        return {            "entities": [{"text": e[0], "type": e[1]} for e in self.entities],            "relations": [{"head": h, "rel": r, "tail": t} for h, r, t in self.relations],        }  if __name__ == "__main__":    uie = SimplifiedUIE()    text = "张伟毕业于清华大学，公司在海淀区中关村大街。"    result = uie.extract(text)    print("实体:", result["entities"])    print("关系:", result["relations"])

1. self.patterns模拟管家识别人名、机构、地点的知识库，每种实体对应若干文本模式。
2. def spot(self, text)第一步“圈注”：扫描文本，找出所有匹配的实体片段并去重。
3. def associate(self, text)第二步“关联”：将实体两两组队，根据规则补上关系名。
4. result = uie.extract(text)一次 extract 调用就同时返回实体和关系，体现“一个模型抽完所有信息”。
5. print("实体:", ...)将结构化结果打印出来，对应生成式抽取后的结果解析环节。

常见误区

面试题