在自然语言处理和知识图谱中，实体抽取、NER是一个基本任务，也是产业化应用NLP 和知识图谱的关键技术之一。BERT是一个大规模预训练模型，它通过精心设计的掩码语言模型（Masked Language Model，MLM）来模拟人类对语言的认知，并对数十亿个词所组成的语料进行预训练而形成强大的基础语义，形成了效果卓绝的模型。通过 BERT来进行实体抽取、NER的方法是当前在NLP和知识图谱的产业化应用中最常用的方法，是效果与成本权衡下的最佳选择。本文详细讲解使用BERT来进行实体抽取，看完本文就会用当前工业界最佳的模型了。
什么是实体抽取？
实体是一个常见的名词，《知识图谱：认知智能理论与实战》一书将其定义为：实体（Entity）：是指一种独立的、拥有清晰特征的、能够区别于其他事物的事物。在信息抽取、自然语言处理和知识图谱等领域，用来描述这些事物的信息即实体。实体可以是抽象的或者具体的。 在实体抽取中，实体也成为命名实体（Named Entity），是指在实体之上会将其分门别类，用实体类型来框定不同的实体。图1是一些常见的“实体”的例子，比如“城市”类型的实体“上海”，“ 公司”类型的实体“达观数据”等。
图1 实体示例
实体抽取（Entity Extraction，EE）的目标就是识别一段文本中所包含的实体，在其他语境中，也被称之为“实体识别（Entity Recognition，ER）”、“命名实体识别（Named Entity Recognition，NER）”，这些不同的名词在大多数情况下所指代的意思是一样的。
举例来说，有一段文本：
达观数据与同济大学联合共建的“知识图谱与语义计算联合实验室”正式揭牌成立
识别出其中的蓝色部分，并标记为“机构”类型的实体，就是实体抽取。实体抽取的过程通常可以分为是两个阶段：
识别出所有表示实体的词汇
将这些词汇分类到不同实体类型中
在传统的命名实体识别任务中，通常有人物、机构、地点等。而在知识图谱中，实体类型可以有数十种，甚至数百种。对于知识图谱来说，将各种文本中的实体抽取出来是最基本的任务，有许多方法都致力于解决这个问题。
图2 实体抽取案例
众所周知，实体抽取的复杂程度十分之高，这不仅仅有上图中的这样复杂的文档的原因，语言本身的理解也存在重重困难，有些场景下即使是人类也会出现不解之处。比如语言中隐含着专业的背景知识，隐形或显性的上下文语境，同样的文本表达着完全不同的概念，而相同的概念又有多变的语言表达方法等等。这些综合的原因使得理解语言成为了人工智能皇冠上的明珠，而从文本中抽取实体则不可避免地要理解语言，实体抽取的效果则依赖于对语言理解的程度。
图3 语言理解困难重重<
相关链接
发表评论