实体关系抽取

电子病历中包含着医疗领域的丰富知识 ，对于医疗健康信息服务有着重要的意义。 其中的概念实体之间的关系是医疗知识 的重要 组成部分 。对于获取医疗领域中疾病、治疗 、检查之间关系有着重要 的意义 。 针对 于电子病历 中文本结构稀疏 的特 点 ，原有 的基 于词的特征表示效果 有限 ，所以从特征选择的角度出发 ，提出 了一种 基于深度学 习的特征学 习，将 有 限的上下文特征进 行进 一步抽 象表示 的方 法。 实验中使 用深度稀疏 自动编码 来对实体上下文 的向量表示进行 再表示 ，来得 到更抽象 和更有识别 意义 的特征 。 实验 表明 ，本文使用的深度学习进行 特征的再表示方法对 于识别 的召回率对 比于基线实验有 比较明显的提高

生物医学实体关系抽取是生物医学文本挖掘领域的一项重要任务,它可以自动从生物医学文本中挖掘实 体间的相互关系 目前,生物医学实体关系抽取方法一般只针对某一特定任务(如药物关系,蛋白质交互关系抽取 等)训练单任务模型进行抽取,忽略了多个任务之间的相关性 因此,该文使用基于神经网络的多任务学习方法对 多个生物医学关系抽取任务间的关联性进行了探索 首先构建了全共享模型和私有共享模型,然后在此基础上提 出了一种基于Attention机制的主辅多任务模型 在生物医学领域关系抽取的5个公开数据集上的实验结果表 明,该文的多任务学习方法可以有效地在学习任务之间共享信息,使得任务间互相促进,获得了比单任务方法更好 的关系抽取结果

此文档为博士论文，全面介绍了对中文自然语言进行处理的一些技术

基于几个可用的NER和RE数据集定义了7个实体标签和9个关系标签。实体(Entity)：每个实体都由带有多个属性的T标签标识。关系(Relation):每个关系由R标签标识，该标签可以具有多个属性。

ChineseNRE 本项目使用 python 2.7 pytorch 0.4.0 中文实体关系抽取，对实体关系抽取不了解的可以先看。顺便求star～ 数据 中文实体关系抽取数据实在太难找了，data中是忘记在哪里找的人物关系数据集，一共11+1种关系，数据质量不太好，但也找不到其他的了。 （更新）中 ybNero 同学分享了一份数据集，大家可以去issues中查看~ 梅葆玥 梅兰芳 父母 坎坷经历梅葆玥之家庭合影1961年，梅兰芳先生病逝，葆玥、葆玖姐弟俩继承父亲的遗志，挑起了梅剧团的重担 数据格式为: 实体1 实体2 关系 句子。 虽然叫中文实体关系抽取，还是增加了一个英文数据集SemEval2010_task8，简单做了下数据处理，这是免费的公开数据集，其他的好像都要dollar了。。 训练 模型使用的是lstm+attention模型。特征使用词向量+位置向量。 训练前先运行dat

用TensorFlow实现神经网络实体关系抽取

：实体关系抽取是指从无结构的自然语言文本中抽取实体之间的语义关系，并以结构化的形式表示出 来。传统的实体关系抽取方法只注重一种特定类型的数据源，并需要标注大量的训练数据来训练抽取模型，人工成本高。因此提出了一种综合多种数据源，并结合规则推理引擎的实体关系抽取方法，准确地说就是综 合结构化和非结构化两种数据源，在结构化数据提供少量种子的情况下用规则推理引擎推理出更多的实体关 系。然后使用远程监督学习方法从无结构的文本中抽取实体关系，通过多次迭代获得最终的实体关系。实验 结果证明了该方法的有效性。

实体关系抽取作为信息抽取、自然语言理解、信息检索等领域的核心任务和重要环节,能够从文本中抽取实体对间的语义关系.近年来,深度学习在联合学习、远程监督等方面上的应用,使关系抽取任务取得了较为丰富的研究成果.目前,基于深度学习的实体关系抽取技术,在特征提取的深度和模型的精确度上已经逐渐超过了传统基于特征和核函数的方法.围绕有监督和远程监督两个领域,系统总结了近几年来中外学者基于深度学习的实体关系抽取研究进展,并对未来可能的研究方向进行了探讨和展望.

无指导的开放式中文实体关系抽取，对构建知识图谱中的三元组抽取有一定的参考作用