什么是关系抽取？
关系抽取又称为信息抽取，旨在从大规模非结构化的自然语言文本中抽取结构化信息，再说的简单直白点就是：从文本中识别实体，并抽取实体与实体之间的语义关系。举个例子：1987年2月15日，赵柯出生在北京市某个区，如果赵柯和北京是两个实体的话，那么返回关系就是：人-出生地。关系抽取任务得到的结果常用于问答系统和知识图谱等应用，是基础且重要的自然语言处理任务。
为什么要进行关系抽取?
这个问题感觉，肯定有用嘛，主要用处如下：
- 创建新的结构化知识库，增强现有知识库；
- 构建垂直领域知识图谱，比如：医疗、金融、电商、教育等等；
- 支持上层应用，比如：推荐、搜索、智能问答等；
怎么做关系抽取？
这个一说到方法，肯定既有传统的又有现代的，传统的就是基于规则的方法，效果呢一般般，这里不做讨论。本篇博文只讨论现在的方法，也就是监督学习方法。监督学习方法的精髓在于：把关系抽取当成一个多分类问题，每种关系都是一个类别，通过对标签数据的学习，训练出一个分类器即可，但是也有难点，主要难点有两个：
- 特征的构建，传统的机器学习方法会利用一些NLP的技术构建组合特征，比如：依存句法分析等；
- 标签数据的获取，监督学习的效果直接取决于训练数据集的大小和质量，但是要得到大量的标注数据的人工成本是巨大的。怎么解决这个问题呢？可以通过远程监督学习方法，从已有信息中得到大量标注数据。
下面具体讲关系抽取具体有哪些解决方案。
回顾TextCNN文本分类
上文讲到关系抽取的监督学习方法的精髓在于：把关系抽取当成一个多分类问题，也就是文本分类问题，一般文本分类的任务大概的思路即是抽取文本的特征，然后使用这些抽取的特征训练一个分类器。在正式开始介绍关系抽取任务的解决方案之前，先来回顾一下TextCNN方法，这是一个基于深度学习的文本分类模型，也是本文接下来要介绍的关系抽取任务解决方案的基础。
在TextCNN方法中，使用了卷积神经网络来对文本特征进行抽取和计算，不同于计算机视觉领域的使用，在文本分类方法中，使用一维的卷积神经网络来进行特征的提取。如上图所示。TextCNN的输入是一条句子中的每个单词的词向量，然后使用不同窗口大小的一维卷积核进行计算，然后将得到了每个通道的结果进行max-over-time pooling计算，再将不同通道的结果拼接到一起，得到最后的向量表示。TextCNN的结果向量的长度仅依赖于一维卷积计算的通道数，所以可以适用于不同长度的句子进行特征提取。
TextCNN + Position Embedding(PECNN)
在了解了TextCNN方法后，我们正式进入到关系抽取任务中。通过上述关于TextCNN方法的描述，我们可以知道如果仅使用基础的TextCNN来完成关系抽取任务，那么则会完全忽略掉句子中的实体标注信息，也就是模型并不知道句子中的哪两个单词是需要提取关系的实体。同时，一条句子中的单词根据其相对于两个实体的位置，其对两个实体之间关系的贡献也不同，假设距离两个实体越近的单词，越可能表示两个实体的关系。所以，在上述的分析下，面向关系抽取的TextCNN方法，加入了Position Embedding的概念。如下图所示，根据一个单词和两个实体的相对位置，可以提取出两个特征，分别是单词和实体1的相对距离以及和实体2的相对距离。然后在TextCNN模型中，将这两个特征embedding的结果拼接在每个单词的词向量后，在单词的语义信息中加入了位置信息，将TextCNN方法从单纯的文本分类方法修改到了面向关系提取的方法。
PCNN
在加入了Position Embedding后，虽然方法已经在关系抽取任务上表现不错，但是研究者仍然继续思考关系抽取任务的特点，并加以改进。研究者发现，一条句子，可以通过两个实体进行划分，，根据这种划分可以将一条句子分成三段，分别是，，，然后进行了假设，不同区域的单词对关系的贡献是不同的，表示两个实体之间关系的单词更可能出现在两个实体之间的部分。但是在TextCNN方法中，通过卷积计算得到的结果要通过max-over-time pooling计算，将每个通道得到结果取最大值作为结果，这样的就完全同意忽略了不同区域的问题，所以研究者提出了PCNN（Piecewise Convolutional Neural Network），来解决这个问题。
模型结构如下图所示，在上述的TextCNN+Position Embedding的基础上添加了Piecewise的操作，即是将一维卷积计算得到的结果，按照实体的位置进行分割，得到三个区域的结果，再分别进行max-over-time pooling计算。这样，通过对句子的Piecewise操作，可以更好的表示不同区域的文本特征，得到更优的结果。
远程监督学习
在了解了PCNN后，我们先不继续关系分类任务解决方案的介绍，先来看一下在关系分类任务中的主要挑战，也就是远程监督数据集中的噪声数据。在大部分的自然处理任务中，都分成两个部分，模型和数据，数据表示如何构造一个大而丰富，同时也要正确的数据集。而这样的数据集往往需要大量的人力进行手动构建，所以关系抽取任务的数据集往往都很小。而远程监督（Distant Supervision）即是解决这个问题，这是一种快速自动构建关系抽取任务数据集的方法。方法比较简单，通过现有知识库中的三元组对无标注的文本进行对齐，如果三元组中的两个实体都出现在一条句子中，则将这个句子中两个实体的关系标注为三元组中的关系。
这样的方法虽然高效快速，但是也会带来大量的噪声数据。比如：
- 马云花了20年左右的时间创造了一个阿里帝国；
- 马云在阿里集体婚礼上表达了对每对新人的祝福；
上面两句话都出现了马云和阿里这两个实体，所以远程监督的方法会将这两条句子都标注为of founders的关系，但是在句子2中，这两个实体之间其实没有表示这个关系，但是远程监督的方法仍然会将其标注，也就是在数据集中引入了噪声，这样的噪声是不可控的，所以虽然远程监督的方法可以快速构造非常巨大的数据集，但是其产生的噪声也是让人非常头痛的问题，也是关系抽取任务中的主要挑战。
Multi-Instance Learning
在了解了远程监督所带来的问题后，我们继续关系抽取任务的解决方案，接下来的方法都是针对如何解决远程监督数据集中的噪声问题。
根据远程监督数据集的特点，研究者们将多示例学习（Multi-Instance Learning）的方法加入到了关系抽取任务中，多示例学习方法是由监督学习演变而来的，相较于输入一系列被单独标注的示例，在多示例学习中，输入的是一系列被标注的“包（bag）”，每个“包”都包括了许多示例。举一个二元分类的例子，当一个包中所有的示例都是负例时，这个包会被标注为负包。而一个包至少包含一个正例时，这个包则被标注为正包。
而在关系抽取任务，研究者根据每个实体对进行划分，将包含相同实体对的句子划分成一个包，包则标注为相应的关系。根据远程监督带来的噪声问题，每个包中含有正例和部分噪声，再加入了多示例学习后，关系抽取任务从句子级别的分类任务变成包级别分类任务。
在特征提取部分，仍然使用上面介绍的PCNN方法，在对每个包中的句子进行特征抽取后，根据句子不同的置信度，选择包中置信度较高的句子进行学习，并进行分类。使用多示例学习的方法可以通过置信度来对包中的句子进行选择，来避免对噪声数据进行学习。
Sentence-Level Attention
在引入了多示例学习之后，虽然可以减少噪声数据，但是也同样忽略了部分正确的数据，因为仅仅是根据置信度的选择，在避免噪声数据的同时，也会将部分正确的数据错误的认为是噪声数据。根据这个问题，有研究者在多示例学习的基础上提出了句子级别的注意力方法（Sentence-Level Attention）来解决这个问题，在使用所有数据进行计算的情况下，减少噪声数据对结果的影响。
同样是使用上述的PCNN进行特征提取，在对一个包中所有的句子进行特征提取后，通过注意力的机制，计算包中每条句子的权重，再将包中的句子根据权重进行加和计算，得到包级别的特征表示，在进行分类器得到最后的结果。
通过句子级别的注意力机制，可以给一个包中标注正确的句子较高的权重，而包中的噪声数据则是比较低的权重，在使用所有正确数据的情况下，也可以高效的减少噪声数据对结果的影响。
