一、文献抽取概述：背景、意义与知识图谱入门

从文本到知识的现实需求

你想想看，我们现在每天面对多少文本？

科研论文、专利文档、临床报告、技术博客…… 光是生物医学领域，PubMed 每年新增的文章就超过百万篇。我前两年帮一家药企做竞品分析，光一个靶点的相关文献就有三千多篇。让研究员逐篇阅读？不现实。哪怕只读摘要，一个人也得花上好几个月。

这就是典型的信息过载——数据多，知识少。说白了，我们需要一种方法，把藏在句子里的关系、属性、事件自动化地提取出来，转化成机器能理解的结构化形式。

嗯，这里要注意。我说的「结构化形式」不是简单的表格或 Excel。我们要的是一种更灵活、更语义化的表达——知识图谱。

什么是文献抽取

文献抽取，学术上叫 Information Extraction from Literature，说白了就是从文献中抽信息。

具体来说，它包含几个核心子任务：

• 命名实体识别：找出人名、地名、疾病名、药物名等
• 关系抽取：判断实体之间是什么关系（比如「药物A治疗疾病B」）
• 属性抽取：提取实体的特征值（比如「基因TP53是抑癌基因」）
• 事件抽取：识别触发词和论元（比如「药物C获批治疗乳腺癌」）

我刚开始做这个方向时，踩过一个坑——以为关系抽取就是单纯匹配关键词。结果在医疗文献上试了试，发现「X 抑制 Y」和「X 激活 Y」的模板差一个字，语义完全相反。所以后来我学会了，光靠规则不够，必须结合模型。

知识图谱入门——它到底是个什么东西

知识图谱听起来高大上，其实概念很朴素：

它就是用「节点」表示实体，用「边」表示关系的一张网。

举个例子：

• 节点1：「阿司匹林」（药物）
• 节点2：「头痛」（症状）
• 边：「用于治疗」（关系）

这就构成了一个最简单的三元组：（阿司匹林，用于治疗，头痛）。

单个三元组你看着不起眼，但几百万甚至上亿个三元组连起来，就能形成一张巨大的语义网络。搜索引擎用它做知识卡片，问答系统用它做推理，推荐系统用它探索用户兴趣——这些都是知识图谱的应用。

知识图谱与信息抽取的关系

很多人把这两者搞混。其实很简单：

维度	信息抽取	知识图谱
目标	从文本中提取结构化信息	以图形式组织、存储、推理知识
输出	三元组或结构化记录	图数据库或RDF数据
侧重点	抽取精度、召回率	图结构、语义推理、查询效率

信息抽取是构建知识图谱的「上游」——没有准确的抽取，图谱就是空中楼阁。反过来，图谱又可以为抽取提供「背景知识」，比如利用已有实体降维搜索空间。

我个人习惯把整个流程画成一个简单的漏斗：

这个图对应了本课程的核心逻辑。从原始文本出发，经过信息抽取形成三元组，最终聚合为知识图谱。

为什么要从文献构建知识图谱

你可能会问：为什么非得从文献构建？直接用现有数据库不香吗？

原因有三：

• 时效性：最新研究成果往往最先出现在文献中，数据库更新有滞后。我在做抗肿瘤药物预警时，一篇临床试验报告发布后两天内就需要抽取出不良反应信号——等数据库更新肯定来不及。
• 覆盖度：很多细分领域（比如中医药、小众材料科学）根本没有现成的知识图谱，只能自己从文献建。
• 细粒度：文献中包含大量的实验条件、参数、统计分析结果，这些结构化程度低，普通数据库装不下。

本章总结——我们到底在干什么

讲了这么多，其实就一件事：我们有一套方法，能从几十上百万篇文献里自动挖出结构化的知识，然后拼成一张可查询、可推理的图。这就是本课程要教你的。

我个人认为，未来三到五年，文献级的知识图谱会成为很多行业的标配。无论是制药、材料、金融还是法律，谁先把自己的「文献资产」梳理成「知识资产」，谁就掌握了数据竞争力的核心。