【一】NER（命名实体识别）
- ORG（组织），LOC（地点），PER（人物）
- 常用方法（原文链接：https://blog.csdn.net/weixin_37665090/article/details/89454829）
-
LSTM 的优点是能够通过双向的设置学习到观测序列（输入的单词）之间的依赖，在训练过程中，LSTM 能够根据目标（比如识别实体）自动提取观测序列的特征，但是缺点是无法学习到状态序列（输出的标注）之间的关系，要知道，在命名实体识别任务中，标注之间是有一定的关系的，比如 B类标注（表示某实体的开头）后面不会再接一个 B类标注，所以 LSTM 在解决 NER 这类序列标注任务时，虽然可以省去很繁杂的特征工程，但是也存在无法学习到标注上下文的缺点。
-
当用 Bi-LSTM 来做命名实体识别时，Bi-LSTM 的输出为实体标签的分数，且选择最高分数对应的标签。然而某些时候，Bi-LSTM 却不能得到真正正确的实体标签，这时候就需要加入 CRF 层。
-
CRF 由Lafferty 等人于2001 年提出，结合了 最大熵模型 和 隐马尔科夫模型 的特点，能对隐含状态建模，学习状态序列的特点，但它的缺点是需要手动提取序列特征。
-
所以一般的做法是，在 LSTM 后面再加一层CRF，以获得两者的优点。
【二】Relation Extraction（关系提取）
【2.1】 Bootstrap：由 规则 生成 记录，再生成 规则，以此类推直到收敛
【2.2】 Snowball：在 Bootstrap 的基础上，每个循环都增加了 评估过滤规则，和 评估过滤记录 的操作
- 重新定义规则，使用 <五元组>
- 五元组 构建向量后，通过 聚类 将规则减少
