关系抽取的应用：

1. 建立新的结构化的知识库
2. 扩大现有知识库

3. 支持QA系统

   实体关系类别名称

4. 检查方法 → 疾病（Test_Disease）

5. 临床表现 → 疾病（Symptom_Disease）
6. 非药治疗 → 疾病（Treatment_Disease）
7. 药品名称 → 疾病（Drug_Disease）
8. 部位 → 疾病（Anatomy_Disease）
9. 用药频率 → 药品名称（Frequency_Drug）
10. 持续时间 → 药品名称（Duration_Drug）
11. 用药剂量 → 药品名称（Amount_Drug）
12. 用药方法 → 药品名称（Method_Drug）
13. 不良反应 → 药品名称（SideEff_Drug）

    关系分类和关系抽取的区别

• 关系分类：一般是判断一个句子中两个entity是哪种关系，属于多分类问题。

• 关系抽取：从一个句子中判断两个entity是否有关系，一般是一个二分类问题，已指定某种关系。

  关系抽取方法（Relation extractors）

  

  人工规则

• 优点：高准确率，可以为特定领域制定规则。

• 缺点：低召回率，对所有可能的pattern考虑周全很困难，而且需要为每条关系来定义pattern，很费时间精力。
• Stanford CoreNLP 的 tokensRegex：基于字符串的 pattern 和基于 ner 的 pattern 结合

• Example: Who holds what office in what organization?

  • PERSON, POSITION of ORG
    • George Marshall, Secretary of State of the United States
  • PERSON (named | appointed | chose | etc.) PERSON Prep? POSITION
    • Truman appointed Marshall Secretary of State
  • PERSON [be]? (named | appointed | etc.) Prep? ORG POSITION
    • George Marshall was named US Secretary of State

      监督学习

• 选择我们想要提取的关系集合

• 选择相关的命名实体集合
• 寻找并标注数据
  • 选择有代表性的语料库
  • 标记命名实体
  • 人工标注实体间的关系
  • 分成训练、验证、测试集
• 训练分类器：MaxEnt、Naive Bayes、SVM ….

半监督学习

• 利用少量的标注信息进行学习。
• 基于 Bootstrap 的方法利用少量的实例作为初始种子（seed tuples）的结合，
• 利用 pattern 学习方法进行学习，通过不断地迭代，从非结构化数据中抽取实例，
• 从新学到的实例中学习新的 pattern 并扩充 pattern 集合。