基于依存句法分析的开放式中文实体关系抽取

    这一段时间一直在做知识图谱，卡在实体关系抽取这里几个月了，在github上面看到有人使用卷积神经网络训练模型进行抽取，自己也尝试了一下，但是一直苦于没有像样数据去训练，而标注训练集又太费时间了，我不太愿意干体力活。所以采用了一个低档次的方法，基于依存句法分析的实体关系抽取，记录一下心得，方便日后忘记可以再找回来。

    本方法参考了github上面的项目和一篇论文，在文章末尾给出，使用的分词工具是HanLP，感谢相关作者。

    论文给出了8种中文关系的表达方式，并且最后给出了一个采用正则表达式语法指出表达，核心就是谓语动词表示关系，即关系表述中一定得有动词。

状语*动词+补语?宾语?

    我不太赞同把宾语也当作关系表述的一部分，论文指出“p4生于山西”应该抽出（p4，山西，生于山西），我认为关系不应该表述为“生于山西”，所以我把关系表述改为下面的样子了。

状语*动词+补语?

    这篇文章只是作为一个方法介绍，我自己先看了一遍，能够保证我下次看到这篇文章，可以立马回忆起自己的实现方法，希望你看了也能了解方法，看不懂的话，我表示抱歉，浪费您的时间了，我已经尽可能写到简单了。

    先来看几个简单句子吧：

主谓宾关系：刘小绪 生于 四川
// 这个三元组很明显：（刘小绪，生于，四川）


动补结构：刘小绪 洗 干净 了 衣服
// 如果套用主谓宾关系就是：（刘小绪，洗，衣服）
// 但是这里描述的是一个状态，是刘小绪把衣服洗干净了
// “干净”是动词“洗”的补语，所以还应该提取出一个如下三元组
// （刘小绪，洗干净了，衣服）

状动结构：父亲 非常 喜欢 跑步
// 这句和上面很像，主谓宾关系是：父亲喜欢跑步
// “非常”用于修饰“喜欢”
// （父亲，非常喜欢，跑步）

介宾关系：刘小绪 就职 于 学校
// 如果直接把这个三元组抽取为（刘小绪，就职，学校），很别扭
// “于”和“学校”是介宾关系，它们的关系应该是：就职于
// （刘小绪，就职于，学校）

宾语前置：海洋 由 水 组成
// “海洋”是“组成”的前置宾语
// “由”是“组成”的状语
// “水”和“由”是介宾关系
// 所以上面的句子没有明确的主谓关系，需要我们判断
// 抽出的三元组应该为：（水，组成，海洋）

    HanLP提供了两种依存句法分析的器，默认采用的是基于神经网络的依存句法分析器。依存句法分析就是将句子分析成一棵依存句法树，描述各个词语之间的依存关系，即指出词语之间在句法上的搭配关系。

    有了上面所说的依存句法树，其实我们只需要进行各种判断就可以了。先做出下面的一点说明，就拿第一个例子来说。

原文：刘小绪生于四川

# 这是分词结果
[刘小绪/nr, 生于/v, 四川/ns]

#这是句法分析结果
刘小绪 --(主谓关系)--> 生于
生于 --(核心关系)--> ##核心##
四川 --(动宾关系)--> 生于

    为了方便理解，也为了方便程序的编写，我把他们组织成了下面的形式，为每一个词语都建一个依存句法字典。

刘小绪：{}
生于：{主谓关系=[刘小绪], 动宾关系=[四川]}
四川：{}

    然后只需要写出类似于下面的程序段就可以抽出关系了。

// 主谓宾关系：刘小绪生于四川
// dic是这个词语的依存句法字典
if (dic.containsKey("主谓关系") && dic.containsKey("动宾关系")){
    
    // 当前的词语，用上面的例子来说，relation=“生于”
    String relation = curWord.LEMMA;


    // 用循环遍历，是因为关系列表里面不一定只有一个词语
    for (CoNLLWord entity1:
            dic.get("主谓关系")) {

        for (CoNLLWord entity2:
                dic.get("动宾关系")) {

            System.out.println(entity1.LEMMA + "," + relation + "," + entity2.LEMMA);
        }

    }
}

    对于分词后的每个词语都进行上面程序段的操作。“刘小绪”和“四川”，关系字典都为空。而对于“生于”，关系列表里面既有主谓也有动宾，而自己本身就是动词，主谓宾就出来了。直接从主谓关系中拿出来词语作为entity1，再拿上自己作为关系，最后拿出动宾关系中的词语作为entity2。很明确的三元组（刘小绪，生于，四川）就出来了。

    最后给出一个程序运行结果图吧。

    我个人觉得效果还行，在简单句子上面表现的差强人意，在长句子上面表现的差劲。

    参考：

HanLP自然语言处理

基于依存分析的开放式中文实体关系抽取方法

命名实体三元组抽取参考自fact_triple_extraction