半监督学习Bootstrapping抽取知识图谱

  Bootstrapping不需要标注好实体和关系的句子作为训练集，不用训练分类器。Bootstrapping算法的输入是拥有某种关系的少量实体对，作为种子，输出是更多拥有这种关系的实体对。不是找到更多的关系，而是发现拥有某种关系的更多新实体对。

思路

实体对 ==》 模板 ==》 新实体对 ==》 新模板 ==》 。。。

• “创始人”是一种关系，如果我们已经有了一个小型知识图谱，里面有3个表达这种关系的实体对：(严定贵，嘉银金科)，(马云，阿里巴巴)，(雷军，小米)。

• 第一步：在一个大型的语料集中去找包含某一实体对（3个中的任意1个）的句子，全部挑出来。
  比如：严定贵于2011年创立了嘉银金科；严定贵是嘉银金科的创始人；在严定贵董事长的带领下，嘉银金科赴美上市成功。

• 第二步：归纳实体对的前后或中间的词语，构造特征模板。
  比如：A 创立了 B；A 是 B 的创始人；在A 的带领下，B。

• 第三步：用特征模板去语料集中寻找更多的实体对，然后给所有找到的实体对打分排序，高于阈值的实体对就加入到知识图谱中，扩展现有的实体对。
  比如：马化腾创立了腾讯；

• 第四步：回到第一步，进行迭代，得到更多模板，发现更多拥有该关系的实体对。
  比如：（马化腾，腾讯）实体对，在语料集中，又找到了”马化腾–新关系–腾讯“，这样特征模板又增加了。

Bootstrapping的缺点

• 一是语义漂移问题，有些关系是跟时间有关的，比如夫妻，股东。

• 二是查准率会不断降低而且查全率太低，因为这是一种迭代算法，每次迭代准确率都不可避免会降低，80%—->60%—->40%—->20%…。所以最后发现的新实体对，还需要人工校验。

• 顺带提一下，远程监督有一对多关系的问题。

Reference

1、 https://cloud.tencent.com/developer/article/1639705

打赏

微信	支付宝
万分感谢