属性抽取调研-工业界

2021-10-30

属性抽取调研——工业界

1. 任务

1.1. 背景

信息抽取是从非结构化、半结构化文本中将有价值的信息转化为结构化数据的过程，在抽取的过程中，根据抽取的内容不同又分为关系抽取、事件抽取、属性抽取等。

1.2. 任务定义

属性抽取（Attribute Extraction）：属性抽取的目标是从不同信息源中采集特定实体的属性信息。比如人物实体的生日、性别、国籍等，都是它的属性信息，通过属性抽取，通过多个数据源的获取，我们就可以通过丰富的属性信息来较为完整地刻画一个实体。

1.3. 数据集

目前属性抽取还没有统一的评测数据集，一般是根据不同的应用场景，对不同的数据进行抽取。

1.4. 评测标准

Accuracy
Precision
f1

2. 方法总结

可以划分为四类：基于无监督的抽取方法，基于依存关系的半监督的槽填充算法，基于深度学习的序列标注方法、基于元模式的属性抽取方法。

2.1. 基于无监督的属性抽取方法

2.1.1. 基于规则的槽填充算法

场景：在纯文本中抽取人物属性
论文：《中文人物属性槽填充技术的研究与实现》
方法：通过人工编写规则针对人物场景进行属性抽取，由于人工构造规则模板比较麻烦，可以使用Bootstrapping方法生成规则。

生成规则的步骤如下：

1、人工置顶规则种子作为初始规则种子集Spatter，属性值集合Sattr

2、使用规则种子集Spatter，遍历并匹配文本中的属性值，获取候选属性集合h

3、计算候选属性值集合h中每个属性值的可行度，将可信度较高的三个属性值加入到种子属性值集合Sattr中，若收敛，则算法结束，否则，执行4

4、使用属性值集合Sattr，遍历文本，由匹配到的属性值的上下文两个词，生成候选模板集合h’

5、计算候选模板集合h’中每个候选模板的可信度，将可信度较高的3个候选模板加入到规则种子集合Spatter中，若Spatter收敛，则算法结束，否则执行步骤2

重复2-5到满足一定的次数。
效果：通过自动生成规则进行抽取的效果不好，准确率较低。

2.1.2. 基于聚类的属性抽取方法
场景：产品的属性抽取
论文：《An Unsupervised Approach to Product Attribute Extraction》
方法：

1、数据预处理：

找出限定性的短语和名词短语，论文认为一般属性出现在这种词语中

2、对上一步筛选出的名词进行聚类，删除词语稍少的类

3、从类中抽取属性：计算unigrams, bigrams and trigrams，使用作者定义的属性分数函数进行计算，得分高的则为属性。

2.2. 基于依存关系的半监督的槽填充算法

场景：在纯文本中抽取人物属性
论文：《中文人物属性槽填充技术的研究与实现》
方法：

依存关系：在自然语言处理中，用词与词之间的依存关系来描述语言结构的框架称为依存语法（dependence grammar），又称从属关系语法。利用依存句法进行句法分析也是自然语言理解的重要技术之一。（来自维基百科）。

使用这种方法对人物进行属性抽取的步骤如下:

1、为每个属性生成对应的触发词表

2、根据属性槽特点，识别出句子中所有可能候选属性，比如出生地的NER标注为LOC，感觉是自己设置一些规则匹配一些属性出来

3、通过句子的依存结构，确认侯选属性与主体实体（这里是人物）的关系。将依存关系树看作一个无向图，顶点对应pagerank算法中的网页，利用pagerank算法，计算两个词在句法上的相关性。

4、计算<动词，人名，属性词>三元组的得分，取前top4，看动词是否出现在触发词中。
效果：在有触发词的句子中效果较好，在描述句式灵活且对触发词依赖小的句子中，提取性能不好。

2.3. 基于深度学习的序列标注方法

序列标注属于一种较为常用的属性抽取方法，就是将属性值看作较长的实体值，对数据进行标注，使用序列标注模型进行训练和抽取。

场景：这种方法被应用于多个场景中，比如人物属性的抽取，抽取在线评论文本的属性、从无上下文信息的标题中抽取产品属性等，只要有相应的标注数据，就可以使用这种方法进行抽取。
论文：《基于弱监督的属性关系抽取方法》《面向非结构化文本的开放式实体属性抽取》《实体 —属性抽取的GRU+CRF方法》《Personal Attributes Extraction in Chinese Text Based on Distant-Supervision and LSTM》《Bootstrapped Named Entity Recognition for Product Attribute Extraction》等论文中都使用了这种方法进行抽取
方法：将属性抽取看作序列标注问题，标注需要花费一定的人工成本，在有些场景下，比如人物属性的抽取，可以使用百度百科等百科词条的结构化信息框进行标注，可以降低一定的人工标注成本；同时，标注时也可以使用Bootstrap方法由种子发现更多潜在属性值，这种方法在《Bootstrapped Named Entity Recognition for Product Attribute Extraction》论文中提到，是一种类似于Pakhomov 2002提出的首字母扩写算法的算法。该算法学习如何将首字母缩写与其正确扩展相关联的上下文，作者认为，分类器在经过标记的已知品牌训练集上进行训练，可以学习可以区分当前含义的上下文模式。序列标注常使用的模型：CRF模型、神经网络模型如BI-GRU+CRF模型等。
效果：使用这种方法进行属性抽取的效果较为理想，但也具有一定的局限性，由于属性值的内容和形式多种多样，对于字数较长的描述性属性，这种方法不能取得理想的效果；同时，对于某些不能使用百科词条数据进行回标的情况，将花费大量的人工成本进行标注，降低了可操作性。