信息抽取的三个最重要，最受关注的子任务：

• 实体抽取

  • 命名实体识别，包括实体检测（find)和分类（classify)

• 关系抽取。

  • 通常我们所述的三元组抽取， 一个谓词（predicate)带2个形参（argument），如：Founding-location(IBM,New York)

• 事件抽取

  • 相当于一种多元关系抽取。

ACE的17类关系:

具体应用实例:

实体抽取

实体抽取或者说命名实体识别9NER),在信息抽取中扮演者重要角色，主要抽取的是文本中的原子信息元素。如人名、组织/机构名、地理位置、事件/日期、字符值、金额值等。实体抽取任务有两个关键词：find & classify
找到命名实体，并进行分类：

主要应用:

• 命名实体作为索引和超链接。
• 情感分析的准备步骤，在情感分析的文本中需要识别公司和产品，才能进一步为情感词归类。
• 关系抽取的准备步骤。
• QA系统，大多数答案都是命名实体。

方法

传统机器方法

序列模型

有向图模型$HMM$
无向图模型$CRF$

总结

• 慢慢的将各种的信息抽取有关模型及实战，将其搞定。会自己进行整理与文档处理都行啦的样子与打算。