2021年07月10日阅读 27

带你轻松入门信息抽取｜Python 主题月

本文正在参加「Python主题月」，详情查看活动链接

什么是信息抽取

定义：自动从无结构或半结构文本中抽取出结构化信息的任务

1.根据抽取结果是否在原文中，可以将信息抽取分类为抽取式和生成式，抽取模型相对比较死板，原文中有什么信息就返回什么信息，而生成模型相对比较人性化，会将目标信息进行整理，本文主要介绍前一种。举例如下：

抽取式：

空腹血糖控制在 7mmol/L  ----->    空腹：7mmol/L 
复制代码

生成式：

肿瘤为隆起溃疡性，位于胃窦处 -----> Borrmann 分型：息肉型
复制代码

2.根据抽取结果结果可以将信息抽取分为：实体抽取、关系抽取、事件抽取。举例如下。

实体抽取：

疾病：间质性肺炎
复制代码

关系抽取：

疼痛 --疾病部位--> 双膝关节
复制代码

事件抽取：

病变事件：描述：类圆；病变大小 27*28 ；病变部位：左下肺背段
复制代码

信息抽取模型的关键要素就是解码设计，解码设计就是标注标签到结构化信息的转化过程，这是模型的核心。常见的解码设计有三种：

1.定义：从文本中抽取出文本内容，并识别为预定义的类别，例子如下：

原文：患者出现左侧胸背部持续疼痛，在中西医结合医院查胸部 CT 平扫。
结果：症状 --> 左侧胸背部持续疼痛  
复制代码

2.常用解码设计使用 BIO

3.实际项目中的难点主要有两个：

实体重叠嵌套，指的是文本中多个实体之间共享片段，如“患者出现左侧胸背部持续疼痛”中“左侧胸背部”是部位实体，“持续疼痛”是症状实体，如果要识别完整的“左侧胸背部持续疼痛”可能存在困难
实体不连续，指的是一个实体由多个不连续片段组成，如“前胸、背部包块”我们如果想识别出“前胸包块”和“背部包块”两个实体也存在困难，因为没法通过常规的 BIO 标注

1.定义：从文本中抽取出一对实体和预定义的关系类型，得到包含语义信息的实体关系三元组，默认情况下连接这对实体的关系是有方向的，称为头实体和尾实体。举例：

原文：右下肺少许炎症
结果：(右下肺，部位疾病，炎症)
复制代码

2.解决步骤通常是分为两个步骤，第一步就是基本的实体抽取，第二步就是使用一对实体和句子进行关系判断。第二步又叫关系分类，指的是给定一对实体和文本，判断实体之间的关系类型。通常分多步模型去抽取的模型方案叫做 Pipeline ，只用一个模型抽取的方案叫做 Joint ，本文介绍的是 Joint 。

3.解码方法常见的有 BIO 、Pointer 、TPLinker 等，后面的比前面的更加复杂，但是能力也会更强。

4.常见的难点有两个：

关系重叠，指的是一个实体属于多个关系，如“右下肺少许炎症，见结节”，这里的“右下肺”既和“炎症”有关系，又和“结节”有关系。
实体对组合，指的是实体对有多重组合方式，如“左肺和右肺，各见一小结节”和“左肺和右肺，各见一小结节和磨玻璃影”两句话中的实体对关系抽取方式不同，需要一个更加复杂的模型来 cover 各种不同方式的关系抽取。

5.衍生问题如下：

1.定义：从一段文本中抽取出预定义的事件触发词和事件要素，组合为响应的机构化信息，除了事件，实际应用中信息抽取的结果可能更加复杂，但都可以拆成关系抽取。

2.常见的解决方法就是把事件变成关系抽取问题进行解决

文中主要涉及到的知识点有：

实体抽取：重叠嵌套实体、不连续实体、BIO
关系抽取：重叠关系、实体对组合、BIO、Pointer、TPlinker
事件抽取：复杂结构抽取
复制代码

BIO 、Pointer、TPlinker 这三个模型是基本可以解决所有信息抽取的任务，因为现在这一领域是个大一统状态，一个复杂模型可以解决各种问题。