Relation Extraction（关系抽取）

关系抽取是信息抽取（Information Extraction）的核心子任务之一，目标是从自然语言文本中识别实体对之间的预定义或开放式语义关系。

• 输入：包含两个或多个实体的文本片段（句子或段落）
• 输出：结构化三元组，形如（头实体，关系类型，尾实体）
• 典型关系类型：创始人（founder-of）、位于（located-in）、雇佣（employed-by）、归属（part-of）等
• 与 NER 关系：命名实体识别（NER）负责识别实体边界与类型，关系抽取在此基础上判断实体间语义连接
• 应用定位：知识图谱构建、问答系统、事件抽取、生物医学文献挖掘等任务的上游组件

现代关系抽取方法通常将任务转化为分类或生成问题，流程如下：

• 实体标注：首先由 NER 模型或人工标注识别文本中的实体 span
• 候选对生成：枚举或启发式筛选实体对，构成（头实体，尾实体）候选
• 特征编码：使用 BERT/RoBERTa 等预训练编码器对实体对及上下文进行语义表示，常在实体位置插入特殊标记（如 [E1]…[/E1]）
• 关系分类/生成：通过分类头输出关系标签概率分布；或在生成式框架（T5、GPT）中直接解码关系三元组文本
• 后处理：过滤低置信度输出，合并重复三元组

关系抽取根据场景和监督信号可划分为多种子任务：

• 句子级 RE：在单一句子内抽取实体对关系，最经典设定，数据集如 TACRED、SemEval-2010 Task 8
• 文档级 RE（DocRE）：跨句子推断关系，需要篇章级推理，代表数据集 DocRED
• 远程监督 RE：利用知识库（如 Freebase）自动对齐文本生成训练数据，降低标注成本，但引入噪声
• 开放域 RE（Open RE）：不限制预定义关系类型，直接从文本抽取动词短语作为关系表达
• 少样本/零样本 RE：借助大语言模型的泛化能力，在极少或无标注样本下完成关系识别
• 联合抽取（Joint Extraction）：同时抽取实体与关系，避免管道误差传播

关系抽取在多个工业和研究领域发挥关键作用：

• 知识图谱构建：从百科、新闻、论文中批量抽取三元组，填充 Wikidata、ConceptNet 等知识库
• 生物医学：抽取基因-疾病、药物-靶点、蛋白质相互作用关系，加速药物研发
• 金融与法律：挖掘公司持股、并购、诉讼等关系，辅助风控与合规分析
• 问答与对话系统：将用户问题映射到知识图谱查询，提升多跳推理准确率
• 科学文献挖掘：自动梳理引用关系、方法-数据集-指标依赖，加速文献综述

关系抽取与几个相近概念容易混淆，以下是关键区别：

• vs. 命名实体识别（NER）：NER 只识别「谁/什么」，RE 进一步判断「它们之间是什么关系」；两者通常串联或联合使用
• vs. 事件抽取（Event Extraction）：事件抽取关注以动词为中心的触发词及多元论元（角色），RE 关注两实体间的静态或动态语义关系
• vs. 知识图谱补全（KGC）：KGC 在已有图结构中预测缺失边，RE 从原始文本中发现新三元组
• vs. 信息检索（IR）：IR 检索相关文档，RE 从文档内容中结构化抽取关系事实

使用关系抽取技术时需注意以下局限：

• 关系重叠问题：同一对实体可能同时持有多种关系（如「马云」与「阿里巴巴」既是创始人也是前任 CEO），简单分类模型难以处理
• 长距离依赖：实体可能分布在文档不同段落，句子级模型无法捕捉
• 数据集偏差：远程监督引入大量假正例噪声；人工标注数据集规模小且领域局限
• 常见误解：「关系抽取等同于关系分类」——实际上开放域 RE 不依赖预定义类别表；「RE 准确率高就够了」——现实场景需结合实体链接（Entity Linking）才能构建高质量知识图谱
• LLM 幻觉风险：生成式大模型在 zero-shot RE 中可能编造不存在的关系三元组，需后验核实

关系抽取技术经历了从规则到神经网络再到大模型的三次范式转变：

• 1991-1998：MUC（信息抽取评测）将关系抽取纳入标准任务，早期方法依赖手工规则和有限状态自动机
• 1999-2008：ACE 程序系统定义二元关系分类，支持向量机（SVM）+词法特征成为主流
• 2009-2014：远程监督（Mintz et al., 2009）大规模降低标注成本；卷积神经网络（CNN）引入自动特征学习
• 2015-2018：双向 LSTM + Attention 模型（Att-BiLSTM）成为新基线，图神经网络（GNN）建模句法依存树
• 2019-2021：BERT 微调大幅刷新 TACRED 等基准；ATLOP、JEREX 等文档级模型涌现
• 2022-至今：GPT-4、LLaMA 等大语言模型通过 few-shot 提示实现强泛化；生成式 RE（GPT-RE）与指令微调成为前沿方向