闫 雄，段跃兴，张泽华

(太原理工大学信息与计算机学院,山西 晋中030600)

1 引言

互联网中的信息大多都是无结构的，实体关系抽取旨在从这些非结构化的信息中快速、准确地抽取出用户所需要的信息。实体关系抽取在信息抽取[1]、智能问答系统[2]和知识图谱[3]等应用中发挥着重要的作用。实体关系抽取可以表述为：从一段存在2个实体(Entity)的文本S中，确定其中目标实体对〈e1,e2〉之间的语义关系r，例如在句子〈e1〉People〈/e1〉 have been moving back into 〈e2〉downtown〈/e2〉中，people和downtown 2个实体之间存在Entity-Destination的关系。根据对数据集的标注程度，实体关系抽取可以分为有监督、半监督和无监督3类。本文旨在研究有监督实体关系抽取，它将实体关系抽取问题转化为一个分类问题。有监督实体关系抽取方法主要包括传统方法和深度学习方法，前者主要采用特征向量和核函数的方法进行实体关系抽取，其依赖于自然语言处理NLP(Natural Language Processing)[4]工具预先提取文本特征，但是这些工具本身就存在不足，使用这些工具会造成错误传递问题，影响最终的分类效果。相比传统方法，深度学习方法可以自动获取更多有效特征，并且不需要借助自然语言处理工具就可以明显提高分类效果，因此国内外的研究者在深度学习的基础上进行了很多实体关系抽取的研究。

深度学习方法通过学习每个词的分布式表示，不仅能够自动提取文本特征，而且还能够很好地利用文本结构特征，是当前实体关系抽取方法的研究热点。Socher等[5]通过循环神经网络(RNN)学习句子的句法结构信息进行实体关系抽取。……