📚 课程目录第4章关系抽取概述

关系抽取概述：有监督、半监督、无监督方法

关系抽取这事儿，说白了就是从一大段文本里找出两个实体之间有什么“瓜葛”。比如“阿司匹林抑制COX-2”，这里“阿司匹林”和“COX-2”之间的“抑制”关系，就是我们要抓的东西。

我个人在多个项目中体会最深的一点是：没有万金油的方法。标注数据多，有监督是首选；标注少但领域专家有思路，半监督能救命；啥都没有，那就只能上无监督做探索。你想想看，现实中大部分场景都是缺标注的，所以搞清楚每种方法的适用边界，比背十个模型重要得多。

核心观点：选择哪种方法，不只看算法性能，更要看你的数据条件、标注成本和业务容忍度。

下面这张图我经常拿来给新同学讲。它把三种方法的核心流程放在一起对比，一看就明白各自是怎么运转的。

有监督学习：数据量和模型决定上限

有监督方法是最直观的。你给它一堆已经标好“头实体-关系-尾实体”的句子，它学一个分类器。我在项目里用过基于CNN和BERT的模型，前者快，后者准。

小技巧：如果你只有少量标注，别硬套CRF + BERT。可以试试冻结BERT底层，只训分类头，收敛快还省显存。

有监督的常见做法，我列个清单给你看。

流水线方法：先做NER，再做关系分类。结构简单，但会传错误差。
联合抽取：用一个模型同时做实体和关系。我用案例时发现，联合模型在小样本上更容易过拟合。
基于预训练模型：BERT / SciBERT / BioBERT 在生物医学领域很好用，特别是加了领域语料的版本。

举个例子，如果用BioBERT做关系抽取，预处理和调用大致是这样：

from transformers import AutoTokenizer, AutoModelForSequenceClassification

model_name = "dmis-lab/biobert-base-cased-v1.1"
tokenizer = AutoTokenizer.from_pretrained(model_name)
model = AutoModelForSequenceClassification.from_pretrained(
    model_name, num_labels=len(relation_types)
)

text = "Aspirin [CLS] inhibits [SEP] COX-2 [SEP]"
inputs = tokenizer(text, return_tensors="pt")
outputs = model(**inputs)
pred = outputs.logits.argmax(dim=1).item()

这是简化版。真正上线时, 你还要考虑实体嵌入如何拼接到输入中。我习惯把实体起止位置用特殊标记包裹起来, 比如 @GENE$ 这样的。

注意：有监督方法很容易被标注不一致坑倒。我曾经遇到一个项目，两个标注员对“抑制”和“拮抗”的边界划分有分歧，结果模型F1死活上不到80。后来统一标注规范才解决。

半监督学习：用少量种子撬动大规模抽取

半监督方法的核心是“用种子引导，自动膨胀”。比如你给3个关系模板：X 抑制 Y、X 激活 Y、X 结合 Y。然后从语料里找到匹配这些模式的句子, 抽出来的新三元组再去扩展模式。

这里我重点说两种主流思路。

方法一	方法二
Bootstrapping	远程监督 (Distant Supervision)
从少量种子出发，交替抽取实体对和模式	利用已有知识库（如DrugBank）在文本中自动标记
容易产生语义漂移，需要人工定期审查	假设强：知识库中相关的一对实体在语料中一定存在对应关系——实际上很有噪音
我试过在PubMed摘要上用bootstrapping抽药物副作用，第一轮很好，三圈之后全跑偏了	远程监督我一般会用多实例学习（Multi Instance Learning）来缓解噪音，而不是直接取单句

避坑指南：我曾经把远程监督结果直接用，发现近40%的标注是错的。后来加了两个过滤手段：句子置信度阈值 + 知识库对齐检查，才把精度拉到83%左右。

无监督学习：从文本中发现潜在关系

无监督方法不需要任何标注。它做的是：先找所有共现实体对，然后根据上下文句子进行聚类。同一类簇里的实体对，可能共享一种关系类型。

具体步骤通常是这样：

从语料中提取所有包含两个实体的句子。
对每个实体对，把出现该对的上下文向量化（例如用Sentence-BERT）。
对所有实体对做聚类（KMeans、DBSCAN都好用）。
每一类簇人工定义为一种关系类型。

在实际中，无监督方法很难直接上生产，但用来做关系类型探索很顺手。我有个项目，一开始不知道药物和靶点之间到底有哪些关系可抽，就是用无监督聚类发现了好几种未预料到的相互作用类型。

不过它有明显的短板：

聚类数量需要预设或调参，DBSCAN对密度敏感。
关系类型需要人工命名。算法告诉你哪些是一类，但不告诉你“这类叫什么”。
低频实体对容易被忽略，聚类里只有少数样本。

评估与选型建议

三种方法各有优劣。我整理了一个速查表，你可以参考：

维度	有监督	半监督	无监督
标注需求	高（千条以上）	低（几十条种子）	无
精度上限	高（BERT可达90%+）	中高（70%-85%）	低（依赖聚类解释）
可发现新关系	否	有限	是
工程复杂度	中	高（迭代控制难）	中
适用场景	知识库构建、精确抽取	快速冷启动、领域适应	探索分析、关系发现

我个人习惯是：先做一个小规模无监督探索，看看语料里到底存在哪些关系类型；如果有条件标注，就用少量种子启动半监督迭代；等数据积累到一定规模，再切换到有监督做精炼。

给新手的建议：不要一上来就追求最复杂的有监督模型。你想想看，如果连关系类型都没摸清，堆模型只是在浪费算力。

好，这一章我们重点梳理了三种关系抽取方法的基本逻辑和适用条件。下一步你要做的，是根据自己手头的数据条件，选一条路先跑起来。哪怕只是无监督聚类出一个结果，也比空等标注强得多。