基于低维表示的大规模实体关系挖掘-清华大学信息技术研究院语音和.pdfVIP

基于低维表示的大规模实体关系挖掘 Large‐scale relation extraction based on low‐dimensional representation 范淼 直博三年级 语音和语言技术中心 指导教师：郑方、周强 fanmiao.cslt.thu@ 2014/6/28 1 1. 领域综述 • 信息抽取(Information Extraction)在自然语言处理领域有长达近20年的研究 历史，始终致力于将无结构化的文本转换为结构化的信息，而有便于给诸如： 问答系统(Question-Answering System) 、信息检索(Information Retrieval) 等其他应用领域提供更加便利的知识表示。 2014/6/28 Google 知识图谱 Microsoft 关系图谱 2 1. 领域综述 • 信息抽取(Information Extraction) 主要分为命名实体识别(Named Entity Recognition, NER) 和关系抽取(Relation Extraction, RE) 两大任务。 • NER主要致力于从无结构的文本中识别人名(PER)、地名(LOC)、机构名称 (ORG) 等名词实体，目前技术比较成熟，识别率都在90%上下，目前微软亚 洲研究院，聂再清研究员领导的小组持有的识别工具已经投入商用。 • 关系抽取 （实体关系挖掘，RE ）是目前研究的主题，同时也是工业界关注 的热点话题。该研究在NER 的基础上，用于发现实体之间的关系，目前最受 关注的是识别实体对（, ）之间的关系 。 维基百科 Barack Obama, President of, U.S. 2014/6/28 3 1. 领域综述 • 实体关系挖掘技术的研究在2008年之前分为两种不同的研究方向： • 固定关系挖掘 • 开放关系挖掘(Open RE) • 上述两种关系挖掘技术的不同点在于：是否有新关系(new relationship discovery) 的发现。 • 学生的研究方向主要关注于固定关系挖掘。 • 固定关系挖掘基本假设于我们在圈定种类的关系类别中，对实体之间的关系进 行预测，因此属于监督学习范畴(Supervised Learning based Relation Extraction Approaches) 。 2014/6/28 4 1. 领域综述 • 2008年之前的关系挖掘的研究大多集中在ACE, MUC两类关系标注语料库中探讨如 何利用规则方法、统计监督学习方法不断提升对多类别关系分类（预测）的精度。 • ACE和MUC两个人工标注数据库的规模都比较小。以ACE语料为例，共有大约 1000篇文本，包含16771个关系实例，23种关系类型。 • 代表工作有： • 基于规则的方法： • J. Aitken, “Learning information extraction rules: An inductive logic programming approach”, ECAI’02. • D. McDonald, H.Chen, H. Su, and B. Marshall, “Extracting gene pathway relations using a hyb