信息抽取 从零入门

原文链接：信息抽取 从零入门

信息抽取包括实体抽取、关系抽取、事件抽取。

• 实体抽取即找出文章里的专有名词（人名地名等），方法大致是先检测，再分类；
• 关系抽取即找出两个名词之间的动词，一般是三元组抽取，即一个谓词（predicate）带两个形参（argument）；
• 事件抽取即将自然语言转换成结构化的信息，抽取出事件的各要素（时间、地点、人物等）。

1 数据集

最常用的数据集有 MUC、ACE、KBP、SemEval 等。其中 ACE 数据集包括 英语、中文 等。

2 实体抽取

主要抽取的是文本中的原子信息元素，如人名、组织/机构名、地理位置、事件/日期、字符值、金额值等。实体抽取任务有两个关键词：find & classify，找到命名实体，并进行分类。

传统的机器学习方法

1. 把每个 token 标记命名实体；
2. 特征选择；
3. 训练一个 sequence classifier 来预测数据的 label。

…

4 事件抽取

事件抽取是从描述事件信息的文本中，识别并抽取出事件信息，并以结构化的形式呈现出来，包括发生的时间、地点、参与角色以及与之相关的动作或者状态的改变。[8]

几个概念：

• 事件描述（Event Mention）：描述事件的词组/句子/句群，包含一个 trigger 以及任意数量的 arguments
• 事件触发（Event Trigger）：事件描述中最能代表事件发生的词汇，决定事件类别的重要特征，一般是动词或者名词
• 事件元素（Event Argument）：事件的重要信息，或者说是实体描述（entity mention），主要由实体、属性值等表达完整语义的细粒度单位组成
• 元素角色（Argument Role）：事件元素在事件中扮演的角色，事件元素与事件的语义关系，可以理解为 slot
• 事件类型（Event Type）

事件抽取基础任务是在 mention 中抽取一个 trigger 和多个 arguments，并找到每个 argument 对应的 role，以及 trigger 的 type。

因此基础的方法分成几步[9]：

1. Trigger Identification
2. Trigger Type Classification
3. Argument Identification
4. Argument Role Classification