实体关系抽取方法研究综述

李冬梅; 张扬; 李东远; 林丹琼

doi:10.7544/issn1000-1239.2020.20190358

实体关系抽取方法研究综述

(北京林业大学信息学院北京 100083) (国家林业草原林业智能信息处理工程技术研究中心北京 100083) (lidongmei@bjfu.edu.cn)

基金项目: 国家自然科学基金项目(61772078)；北京市重点研发计划项目(D171100001817003)

详细信息

中图分类号: TP18; TP391
计量
- 文章访问数: 04344
- HTML全文浏览量: 0
- PDF下载量: 04385
出版历程
- 发布日期: 2020-06-30

Review of Entity Relation Extraction Methods

(School of Information Science and Technology, Beijing Forestry University, Beijing 100083) (Engineering Research Center for Forestry-oriented Intelligent Information Processing, National Forestry and Grassland Administration, Beijing 100083)

Funds: This work was supported by the National Natural Science Foundation of China (61772078) and the Key Research and Development Program of Beijing (D171100001817003).

摘要

摘要: 在自然语言处理领域，信息抽取一直以来受到人们的关注.信息抽取主要包括3项子任务：实体抽取、关系抽取和事件抽取,而关系抽取是信息抽取领域的核心任务和重要环节.实体关系抽取的主要目标是从自然语言文本中识别并判定实体对之间存在的特定关系，这为智能检索、语义分析等提供了基础支持，有助于提高搜索效率，促进知识库的自动构建.综合阐述了实体关系抽取的发展历史，介绍了常用的中文和英文关系抽取工具和评价体系.主要从4个方面展开介绍了实体关系抽取方法，包括：早期的传统关系抽取方法、基于传统机器学习、基于深度学习和基于开放领域的关系抽取方法，总结了在不同历史阶段的主流研究方法以及相应的代表性成果，并对各种实体关系抽取技术进行对比分析.最后，对实体关系抽取的未来重点研究内容和发展趋势进行了总结和展望.
- 自然语言处理 /
- 实体关系抽取 /
- 机器学习 /
- 深度学习 /
- 开放领域
Abstract: There is a phenomenon that information extraction has long been concerned by a lot of research works in the field of natural language processing. Information extraction mainly includes three sub-tasks: entity extraction, relation extraction and event extraction, among which relation extraction is the core mission and a great significant part of information extraction. Furthermore, the main goal of entity relation extraction is to identify and determine the specific relation between entity pairs from plenty of natural language texts, which provides fundamental support for intelligent retrieval, semantic analysis, etc, and improves both search efficiency and the automatic construction of the knowledge base. Then, we briefly expound the development of entity relation extraction and introduce several tools and evaluation systems of relation extraction in both Chinese and English. In addition, four main methods of entity relation extraction are mentioned in this paper, including traditional relation extraction methods, and other three methods respectively based on traditional machine learning, deep learning and open domain. What is more important is that we summarize the mainstream research methods and corresponding representative results in different historical stages, and conduct contrastive analysis concerning different entity relation extraction methods. In the end, we forecast the contents and trend of future research.
- natural language processing /
- entity relation extraction /
- machine learning /
- deep learning /
- open domain

HTML全文

参考文献(0)

施引文献(51)

期刊类型引用(17)

1.	袁子淇，孙庆赟，周号益，朱祖坤，李建欣. MNDetector：基于多层网络的异常访问检测方法. 计算机研究与发展. 2025(03): 765-778 . 本站查看
2.	陈佳乐，陈旭，景永俊，王叔洋. 图神经网络在异常检测中的应用综述. 计算机工程与应用. 2024(13): 51-65 . 百度学术
3.	林馥，李明康，罗学雄，张书豪，张越，王梓桐. 基于异常感知的变分图自编码器的图级异常检测算法. 计算机研究与发展. 2024(08): 1968-1981 . 本站查看
4.	孔翎超，刘国柱. 离群点检测算法综述. 计算机科学. 2024(08): 20-33 . 百度学术
5.	王泽鹏，马超，张壮壮，吴黎兵，石小川 . 动态决策驱动的工控网络数据要素威胁检测方法. 计算机研究与发展. 2024(10): 2404-2416 . 本站查看
6.	叶苗，程锦，黄源，蒋秋香，王勇. 面向WSN异常节点检测的融合重构机制与对比学习方法. 通信学报. 2024(09): 153-169 . 百度学术
7.	王芳. 基于深度学习的网络传输数据异常识别方法. 现代电子技术. 2023(06): 62-66 . 百度学术
8.	江铃燚，郑艺峰，陈澈，李国和，张文杰. 有监督深度学习的优化方法研究综述. 中国图象图形学报. 2023(04): 963-983 . 百度学术
9.	富坤，刘赢华，郝玉涵，孙明磊. 基于图模块度聚类的异常检测算法. 计算机应用研究. 2023(06): 1721-1727 . 百度学术
10.	曹成顺. 基于深度神经网络的输电线路异常自动辨识方法. 信息与电脑(理论版). 2023(15): 165-167 . 百度学术
11.	冯健，赵宇鹏，刘天. 融合双重自监督信号的图异常检测. 科学技术与工程. 2023(35): 15142-15147 . 百度学术
12.	王炳泉. 基于SVM的网络流量异常检测算法. 信息与电脑(理论版). 2023(22): 245-247 . 百度学术
13.	唐立，郝鹏，任沛阁，张祖耀，何翔，张学军. 基于改进孤立森林算法的无人机异常行为检测. 航空学报. 2022(08): 584-593 . 百度学术
14.	陈益芳，宣羿，樊立波，孙智卿，屠永伟，张亦涵，蔡乾晨. 基于机器学习的电网威胁检测算法模型和大数据平台设计. 电力大数据. 2022(04): 34-41 . 百度学术
15.	刘华玲，刘雅欣，许珺怡，陈尚辉，乔梁. 图异常检测在金融反欺诈中的应用研究进展. 计算机工程与应用. 2022(22): 41-53 . 百度学术
16.	李净. 国际视野下治理虚假新闻的技术手段及相关模型. 中国传媒科技. 2021(08): 17-21 . 百度学术
17.	雷瑜，郑丹，曾繁如，樊志伟，宁黎，邓立. 四川耕地“非粮化”监测中的智能监测方法. 资源与人居环境. 2021(12): 47-51 . 百度学术