第4章 知识抽取之关系抽取：管道式与联合抽取、远程监督、基于预训练模型的关系分类

关系抽取，说白了就是让机器读懂实体之间的「关系」。

比如「苹果公司发布了iPhone 14」这句话，实体是「苹果公司」和「iPhone 14」，关系是「发布」。机器得学会把这种隐含的结构拎出来。

我个人习惯把关系抽取分为三大流派：管道式、联合抽取、以及基于预训练模型的分类方法。今天咱们一个一个拆开看。

4.1 管道式抽取：先抽实体，再判关系

这是最朴素的做法。先在句子里把实体标注出来，然后针对每一对实体做关系分类。

举个例子，句子「特斯拉收购了太阳城公司」：

• NER 阶段标注出「特斯拉」和「太阳城公司」
• 关系分类阶段判断这两者之间的关系标签——「收购」

这种方法直观，但有一个大问题：错误传播。NER 漏了一个实体，关系就跟着丢了。我在项目中遇到过这样的情况：NER 把「北京」识别成了人名，结果整个关系链全乱套。

# 伪代码示意：管道式关系抽取
from ner_model import extract_entities
from relation_model import classify_relation

def pipeline_extraction(sentence):
    entities = extract_entities(sentence)
    # 枚举所有实体对
    for i in range(len(entities)):
        for j in range(i+1, len(entities)):
            rel = classify_relation(sentence, entities[i], entities[j])
            if rel is not None:
                print(f"{entities[i]} --{rel}--> {entities[j]}")

4.2 联合抽取：端到端解决问题

管道式的缺点很明显——任务分裂。联合抽取想干一件事：同时输出实体和关系，不再分两步走。

说白了，它把序列标注和关系分类合并到一个模型里。典型做法是在解码阶段设计一个特殊的标注体系，或者使用多任务学习。

联合抽取的代表工作包括CasRel和TPLinker。我记得第一次复现 CasRel 时，那个主题标注的思路让我眼前一亮——它用「头实体标注 + 尾实体与关系联合标注」的方式，一步到位。

# CasRel 的输入输出示意
# 输入：句子
sentence = "乔布斯在1976年创立了苹果公司"

# 输出：三元组列表
{ 
  "head": "乔布斯", 
  "relation": "创立", 
  "tail": "苹果公司" 
},
{ 
  "head": "苹果公司", 
  "relation": "成立时间", 
  "tail": "1976年" 
}

但联合抽取也有痛处。它对解码的要求很高，一旦关系数很多（比如几千种），解码空间暴涨，训练非常不稳定。我建议刚入门的朋友先从管道式入手，把流程跑通再说。

4.3 远程监督：自动打标，数据不用愁

标签数据永远不够，怎么办？远程监督来救场。

它的思想很粗暴：把知识图谱中的三元组拿来对齐到文本。如果一个句子中同时出现了图谱中的两个实体，就认为这个句子表达了图谱中对应的关系。

举个例子，知识图谱里有一条三元组 （比尔·盖茨，创办，微软），那么任何同时提到「比尔·盖茨」和「微软」的句子，都被自动打上「创办」标签。哪怕句子说的是「比尔·盖茨曾经在微软担任CEO」——实际上不是创办关系，但也算。

这种做法会引入大量噪声。我在一个生物医学知识图谱项目中用过远程监督，结果发现60%的自动标注样本都是错的。后来我们加了一层句子级别的注意力机制，才把有效样本比例提到75%。

4.4 基于预训练模型的关系分类

现在的大语言模型给关系抽取带来了新玩法。你可以把关系分类任务看成一个文本分类问题或问答问题。

典型做法有两种：

1. 序列分类：把句子+实体标记拼成输入序列，让BERT或GPT直接输出关系标签
2. 提示学习（Prompt-tuning）：把关系定义写入提示模板，让模型生成答案

# 基于预训练模型的关系分类（提示学习方式）
prompt = f"{head_entity} 和 {tail_entity} 之间的关系是 [Z]"

# 模型输出候选关系
model_output = "收购"  # 假设模型推理得出

# 你也可以做成多选题：
prompt = f"请问 '{head_entity}' 和 '{tail_entity}' 之间的关系是？"
options = ["收购", "投资", "合作", "无关系"]
# 模型从中选一个

我建议你关注一下当前的主流实践：

• Noah's Ark Lab 的 KnowPrompt——专门为关系抽取设计的提示方法
• GPT-3/4 的零样本能力——不需要任何训练样本，直接扔上下文就能做
• 微调策略——如果数据量少，用 LoRA 微调；数据量大，做全参数微调

使用预训练模型做关系分类，最大的坑是实体标记的有效性。如果你直接输入纯文本，模型可能搞不清到底是哪两个实体之间的关系。所以我们通常会在实体前后加

最后给你一个总结表，方便对比：