4. 知识抽取技术：实体识别、关系抽取、属性抽取与主流方法对比
知识抽取是构建知识图谱的核心环节，旨在从非结构化或半结构化文本中自动提取出结构化的事实信息。本章聚焦于三大核心任务：实体识别（NER）、关系抽取与属性抽取，并系统对比基于规则与基于深度学习两类主流方法的技术特点、适用场景与性能差异。
4.1 三大核心任务概述
| 任务 | 定义 | 典型输出 | 示例 |
|---|---|---|---|
| 实体识别（NER） | 识别文本中具有特定意义的实体边界与类型 | 实体 + 类型标签 | “乔布斯” → 人物；“苹果公司” → 组织 |
| 关系抽取 | 检测实体之间存在的语义关系 | 头实体 + 关系 + 尾实体 | （乔布斯，创始人，苹果公司） |
| 属性抽取 | 提取实体的属性特征或属性值 | 实体 + 属性 + 属性值 | （苹果公司，总部，库比蒂诺） |
实战提示：在工业级知识图谱构建中，属性抽取常被视为一种特殊的关系抽取（属性值作为尾实体），但两者在抽取粒度和处理逻辑上存在差异，建议分开建模。
4.2 基于规则的方法
基于规则的方法依赖领域专家手工编写的模式、词典和正则表达式，在早期知识图谱和垂直领域（如医疗、金融）中应用广泛。
4.2.1 核心组件
- 词典/词表：预定义的实体名称、属性关键词列表。
- 正则表达式：用于匹配特定格式的文本模式（如日期、电话号码、身份证号）。
- 句法模式：基于词性标注（POS）或依存句法分析的模板（如“<组织> 成立于 <年份>”）。
- 规则引擎：如 Drools、自研级联规则链，用于组合与优先级控制。
4.2.2 规则示例（关系抽取）
# 模式：X 是 Y 的创始人
模式: [实体:人物] + "是" + [实体:组织] + "的创始人"
输出: (人物, 创始人, 组织)
# 模式：X 位于 Y
模式: [实体:地点] + "位于" + [实体:地点]
输出: (地点, 位于, 地点)4.3 基于深度学习的方法
深度学习方法利用大规模标注数据自动学习特征，显著提升了抽取的泛化能力和鲁棒性，已成为当前主流方案。
4.3.1 主流模型架构
| 任务 | 经典模型 | 核心思路 |
|---|---|---|
| 实体识别 | BiLSTM-CRF / BERT-CRF | 序列标注 + 条件随机场约束标签转移 |
| 关系抽取 | PCNN / BERT + 分类头 | 基于实体位置编码或 [CLS] 表示进行关系分类 |
| 属性抽取 | 阅读理解模型（BERT-Span） | 将属性值抽取建模为问答任务 |
4.3.2 深度学习流水线示例（NER + 关系抽取）
# 伪代码：基于预训练模型的联合抽取
from transformers import AutoTokenizer, AutoModelForTokenClassification
tokenizer = AutoTokenizer.from_pretrained("bert-base-chinese")
model = AutoModelForTokenClassification.from_pretrained("bert-base-chinese", num_labels=7)
text = "乔布斯于1976年创立了苹果公司"
inputs = tokenizer(text, return_tensors="pt")
outputs = model(**inputs)
predictions = outputs.logits.argmax(dim=-1)
# 输出：乔布斯/B-PER 于/O 1976年/B-DATE 创立/O 了/O 苹果公司/B-ORG4.4 方法对比：规则 vs 深度学习
核心结论：规则方法适合小规模、高精度、领域固定的场景；深度学习方法适合大规模、高召回、跨领域的通用场景。实际工程中常采用“规则兜底 + 深度学习主抽”的混合策略。
| 对比维度 | 基于规则 | 基于深度学习 |
|---|---|---|
| 数据需求 | 无需标注数据，依赖专家知识 | 需要大规模高质量标注语料 |
| 开发周期 | 短期可上线，但维护成本高 | 前期数据准备长，模型迭代快 |
| 准确率 | 高（规则内），低（规则外） | 整体高，对未见模式有泛化能力 |
| 召回率 | 低，依赖规则覆盖度 | 高，可捕获复杂语义表达 |
| 可解释性 | 强，规则可审计 | 弱，黑盒特征学习 |
| 跨领域迁移 | 需重写规则，成本高 | 微调即可适配新领域 |
| 典型场景 | 金融公告、法律文书、医疗病历 | 开放域新闻、社交媒体、通用百科 |
4.5 知识抽取技术架构总览
下图展示了从非结构化文本到结构化三元组的完整知识抽取流水线，涵盖规则与深度学习两种路径的协同关系。
4.6 混合策略实战建议
避坑指南：不要试图用深度学习完全替代规则。在实体边界精确性要求极高的场景（如金额、日期、法律条款编号），规则方法仍不可替代。建议采用“规则前置过滤 + 深度学习后置召回”的级联架构。
- 冷启动阶段：优先使用规则快速构建种子知识图谱，积累标注数据。
- 迭代优化阶段：使用深度学习模型覆盖规则无法处理的复杂语义表达。
- 质量兜底阶段：对深度学习输出结果进行规则校验（如实体类型一致性、关系合法性），过滤明显错误。
- 持续监控：定期对比规则与模型在验证集上的准确率/召回率，动态调整融合权重。
4.7 本章小结
实体识别、关系抽取与属性抽取是知识图谱构建的三大基石。基于规则的方法在可控性、可解释性和小样本场景下具有独特优势；基于深度学习的方法在大规模、跨领域和复杂语义理解上表现更优。实际工程中，推荐采用“规则兜底 + 深度学习主抽 + 融合策略”的混合架构，以兼顾精度、召回与维护成本。