张苇如，孙 乐，韩先培

(1. 中国科学院 软件研究所，北京 100190；2. 中国科学院 研究生院，北京 100049)

1 引言

信息抽取研究技术是人们获取信息的有力工具，是应对信息爆炸带来的严重挑战的重要手段。信息抽取的目标是从无结构自然语言文本中提取计算机可理解的结构化信息，其中一种主要的结构化信息是实体语义关系。例如，实体间的上下位关系(is-a)、局部—整体关系(part-of)以及更具体的作者—作品关系(author-of)、首都—国家关系(capital-of)等。实体关系抽取是自动知识本体构建的基础，同时也可应用到问答、信息检索等多个领域。

近年来，随着关系抽取任务逐步从限定领域走向开放领域，实体关系抽取研究主要关注如下几个要点： (1)抽取性能。抽取的实体对必须保证高准确率与召回率。由于本文研究面向开放文本的关系抽取，且以知识库构建为目标，所以准确率比召回率更为关键；(2)监督最小化。由于开放领域中关系类别数目巨大，且依赖于人工标注语料的方法耗费大量人力和时间，因此开放领域信息抽取主要关注如何减少或不使用人工标注来构建高性能抽取系统。目前大部分方法采用无监督的机器学习或信息冗余的自举迭代；(3)文本适用性。考虑到开放领域所面对的文本的多样性，抽取算法应能适用于不同风格、不同领域的自然语言文本；(4)关系的多样性。关系抽取算法的性能不能受限于关系类型，不仅在上下位(is-a)、同义(synonym)这样基本的语义关系上，而且在电影—导演(director-film)、出生日期(was-born-on)这些关系上也能取得好的抽取效果。……