這一段時間一直在做知識圖譜，卡在實體關係抽取這裡幾個月了，在github上面看到有人使用卷積神經網路訓練模型進行抽取，自己也嘗試了一下，但是一直苦於沒有像樣資料去訓練，而標註訓練集又太費時間了，我不太願意幹體力活。所以採用了乙個低檔次的方法，基於依存句法分析的實體關係抽取，記錄一下心得，方便日後忘記可以再找回來。
**給出了8種中文關係的表達方式，並且最後給出了乙個採用正規表示式語法指出表達，核心就是謂語動詞表示關係，即關係表述中一定得有動詞。
狀語*動詞+補語?賓語?狀語*動詞+補語?先來看幾個簡單句子吧：
主謂賓關係：劉小緒 生於 四川
// 這個三元組很明顯：（劉小緒，生於，四川）
動補結構：劉小緒 洗 乾淨 了 衣服
// 如果套用主謂賓關係就是：（劉小緒，洗，衣服）
// 但是這裡描述的是乙個狀態，是劉小緒把衣服洗乾淨了
// 「乾淨」是動詞「洗」的補語，所以還應該提取出乙個如下三元組
// （劉小緒，洗乾淨了，衣服）
狀動結構：父親 非常 喜歡 跑步
// 這句和上面很像，主謂賓關係是：父親喜歡跑步
// 「非常」用於修飾「喜歡」
// （父親，非常喜歡，跑步）
介賓關係：劉小緒 就職 於 學校
// 如果直接把這個三元組抽取為（劉小緒，就職，學校），很彆扭
// 「於」和「學校」是介賓關係，它們的關係應該是：就職於
// （劉小緒，就職於，學校）
賓語前置：海洋 由 水 組成
// 「海洋」是「組成」的前置賓語
// 「由」是「組成」的狀語
// 「水」和「由」是介賓關係
// 所以上面的句子沒有明確的主謂關係，需要我們判斷
// 抽出的三元組應該為：（水，組成，海洋）
有了上面所說的依存句法樹，其實我們只需要進行各種判斷就可以了。先做出下面的一點說明，就拿第乙個例子來說。
原文：劉小緒生於四川
# 這是分詞結果
[劉小緒/nr, 生於/v, 四川/ns]
#這是句法分析結果
劉小緒 --(主謂關係)--> 生於
生於 --(核心關係)--> ##核心##
四川 --(動賓關係)--> 生於
劉小緒：{}
生於：四川：{}
// 主謂賓關係：劉小緒生於四川
// dic是這個詞語的依存句法字典
if (dic.containskey("主謂關係") && dic.containskey("動賓關係"))}}
最後給出乙個程式執行結果圖吧。
我個人覺得效果還行，在簡單句子上面表現的差強人意，在長句子上面表現的差勁。
參考：hanlp自然語言處理
基於依存分析的開放式中文實體關係抽取方法
命名實體三元組抽取參考自fact_triple_extraction
句法分析 依存句法分析
句法分析是自然語言處理中的關鍵技術之一，其基本任務是確定句子的句法結構或者句子中詞彙之間的依存關係。主要包括兩方面的內容，一是確定語言的語法體系，即對語言中合法的句子的語法結構給與形式化的定義 另一方面是句法分析技術，即根據給定的語法體系，自動推導出句子的句法結構，分析句子所包含的句法單位和這些句法...
依存句法分析 Dependency Parsing
句子的依存結構表達了詞與詞之間的依賴關係，這種關係稱依存關係。它是一種二元的非對稱關係 binary asymmetric relation 從依存關係的支配者head指向從屬者dependent。依存句法分析旨在將輸入的句子轉化成依存分析樹 或圖 依存樹中自上而下任意父子結點之間用依存關係連線。在...
白話NLP 依存句法分析
在依存句法分析中，句子中詞與詞之間存在一種二元不等價關係 主從關係。在句子中，如果乙個詞修飾另乙個詞，則稱修飾詞為從屬詞 dependent 被修飾詞成為支配詞 head 兩者之間的語法關係就是依存關係 dependency relation 如句子 小目標 中的形容詞 小 與名次 夢想 之間的關係...