AITerms 登入
自然語言處理知識圖譜深度學習

關係抽取(Relation Extraction)是什麼?

關係抽取旨在自動識別文本中實體之間的語義關係,例如「出生於」或「工作於」,是知識圖譜構建的關鍵技術。

完整定義

關係抽取(Relation Extraction, RE)是自然語言處理中的一項重要任務,旨在從非結構化的文本中自動識別並提取實體之間的語義關係。它將文本中的實體對及其關係抽取出來,形成結構化的知識,是構建知識圖譜、問答系統和信息檢索等應用的關鍵技術。關係抽取通常涉及識別實體、判斷實體之間是否存在關係,以及確定關係的類型。

白話說明

你有沒有想過,把一篇文章裡的人名、地名和關係抓出來,其實比只找人名更難?

你可以把關係抽取想成在讀文章時,不只知道誰出現了,還要知道誰跟誰有什麼關係。

它重要是因為知識圖譜、智慧客服和文件分析,都需要把文字變成可查詢的結構資料。

記住這句

先找出人和物,再抓出人和物之間的關係。

比喻:關係抽取就像一個偵探,他讀完一份報告後,能找出裡面的人名、地名,然後立刻判斷出「某某人出生在某某地」、「某某公司聘用了某某人」這樣的關係。

容易混淆

關係抽取 vs 命名實體識別

關係抽取找的是實體之間的關聯

NER 找的是人名、地名、組織這些實體本身

最關鍵的區別是有沒有判斷關係。

關係抽取 vs 三元組抽取

關係抽取常專注在兩個實體的語義關係

三元組抽取會進一步整理成主詞、關係、受詞

最關鍵的區別是輸出形式是不是固定成三元組。

實際案例

知識圖譜整理

把新聞裡的「A 公司收購 B 公司」抽成結構化資料後,系統就能查出誰收購了誰。

合約審查

把合約中的「甲方委託乙方」抓出來後,法務就能更快比對責任關係。

演算法與應用

常見流程是先做 NER,再做關係分類,最後把關係寫回資料庫或知識圖譜。

模型可以用規則、傳統分類器或 Transformer,差別在於對上下文的理解深度。

資料標註很吃重,因為同一句話可能有多種關係,標準要先定清楚。

情境判斷

Q1(直覺題):句子裡先標出「台積電」和「張忠謀」,這一步比較像什麼?

這比較像命名實體識別,還沒進到關係抽取。

Q2(判斷題):如果句子裡有兩個人名,但沒有明確寫出兩人關係,能不能硬抽?

不能硬抽,最好標成未知或無關係,因為關係抽取要的是可證明的語義關聯,不是猜測。

常見問題

相關術語

本頁內容有提到,或屬於同一組主題的術語

來源

這個術語目前沒有標註外部來源。

其他格式:Markdown 版本