4. 知识抽取技术：实体识别、关系抽取、属性抽取

知识抽取这个环节，说白了就是给原始文本做手术。
你要从一堆密密麻麻的文字里，把实体、关系、属性一个个精准地切出来。

我个人认为，这是整个知识图谱搭建中最“吃经验”的一步。
模型选得不对，或者标注质量不行，后面所有的规则推导都会跟着跑偏。

我早期接手过一个质量规则项目，就是实体识别没做好，结果把“焊接温度”和“预热温度”当成了同一个实体——整批规则全废。那之后我格外重视这三大基础能力。

---

4.1 实体识别：找到图谱里的“节点”

实体识别，也叫命名实体识别，英文简称 NER。
它的任务很简单：从文本中定位出有特定意义的词，比如产品名、工艺名、缺陷名、参数名。

举个质检场景的例子：

输入：Q235钢材在焊接后出现气孔缺陷，焊接电流设定为180A。
输出：
- [Q235钢材]（材料实体）
- [气孔]（缺陷实体）
- [焊接电流]（参数实体）
- [180A]（值实体）

为什么会这么分？
因为知识图谱里，每个实体都是一个独立的节点。你如果漏了“气孔”这个缺陷实体，后续的质量规则就永远查不到它。

常用的实体识别策略

方法	适用场景	典型工具
词典/规则匹配	术语固定、变体少	正则、Aho-Corasick
统计机器学习	语料规模中等	CRF、HMM
深度学习	语料大、变体多	BERT、BiLSTM-CRF

我个人很少上来就上大模型。
你想想看，如果你们车间的SOP里，焊接参数永远是固定写法，那正则可能比BERT跑得还快。

4.2 关系抽取：连接实体的“边”

实体找出来了，接下来要问：它们之间是什么关系？
关系抽取，就是给图谱加“边”。

举个例子：

文本：Q235钢材的屈服强度为235MPa。
关系抽取结果：
- 三元组：(Q235钢材, 属性值, 屈服强度)
- 三元组：(屈服强度, 具体数值, 235MPa)

在质量规则场景里，关系大致分几类：

• 属性关系：材料 → 参数（“Q235” → “屈服强度”）
• 约束关系：参数 → 阈值（“屈服强度” → “≥235MPa”）
• 因果/条件关系：工艺 → 缺陷控制（“焊后热处理” → “减少裂纹”）

我在项目中遇到过很多次，关系抽取的准确率直接决定了规则引擎的查询质量。
比如你抽出了“材料：Q235”，但没抽出“关系：要求屈服强度≥235MPa”，那规则根本触发不了。

业界主流做法

方式	优点	缺点
Pipeline（流水线）	实现简单、可独立优化	误差传播，实体错则关系错
联合抽取（Joint）	整体F1更高	模型复杂，训练资源大

4.3 属性抽取：填实体的“细节卡片”

属性抽取，就是给每个实体装上一张“信息卡”。
比如“焊接电流”这个参数实体，它有哪些属性？数值范围、单位、适用材料、引用标准……

属性抽取通常有两种思路：

1. 基于模式：写正则或者模板。适合格式固定的描述。
2. 基于模型：用序列标注或阅读理解模型。适合自由文本。

我举个例子：

文本：焊接电流应控制在180A-220A之间，超出范围易产生未熔合缺陷。
属性抽取目标：
- 实体：焊接电流
- 属性-最小值：180A
- 属性-最大值：220A
- 属性-关联缺陷：未熔合

注意看，这里“未熔合”本身也是一个实体——它跟“焊接电流”产生了条件关系。
所以属性抽取做完之后，往往还要跟关系抽取联动。

4.4 三者的协同工作流

实际上，实体识别、关系抽取、属性抽取不是三个独立任务。

我自己团队里的落地流程是这样：

1. 先用实体识别把名词性实体都挖出来。
2. 然后做属性抽取，给实体贴“值标签”。
3. 最后做关系抽取，确定实体之间怎么连接。

这样一来，每步输出的数据量是递减的，后续处理压力也小。
你想想看，如果你先做关系抽取，结果实体都没找全，那关系肯定乱七八糟。

我画了一张图，把这个三层递进关系说明白：