知识图谱-实体抽取

 命名实体识别（Named Entity Recognition，简称NER）是信息抽取、问答系统、句法分析、机器翻译等应用领域的重要基础工具，在自然语言处理技术走向实用化的过程中占有重要地位。一般来说，命名实体识别的任务就是识别出待处理文本中三大类（实体类、时间类和数字类）、七小类（人名、机构名、地名、时间、日期、货币和百分比）命名实体。

  举个简单的例子，在句子“小明早上8点去学校上课。”中，对其进行命名实体识别，应该能提取信息

人名：小明，时间：早上8点，地点：学校。

https://www.cnblogs.com/zhongzihao/p/11328665.html

https://blog.csdn.net/u013250861/article/details/129310105?ops_request_misc=%257B%2522request%255Fid%2522%253A%2522167973804416800180667525%2522%252C%2522scm%2522%253A%252220140713.130102334.pc%255Fall.%2522%257D&request_id=167973804416800180667525&biz_id=0&utm_medium=distribute.pc_search_result.none-task-blog-2~all~first_rank_ecpm_v1~rank_v31_ecpm-6-129310105-null-null.142^v76^control_1,201^v4^add_ask,239^v2^insert_chatgpt&utm_term=python%E7%9F%A5%E8%AF%86%E5%9B%BE%E8%B0%B1%E5%85%B3%E7%B3%BB%E6%8A%BD%E5%8F%96%E7%AE%97%E6%B3%95&spm=1018.2226.3001.4187

5.知识图谱的案例

农业知识图谱构建：https://github.com/qq547276542/Agriculture_KnowledgeGraph

知识图谱本体设计轻量级工具

简介：微软开源项目SmartKG

GitHub 上的地址为https://github.com/microsoft/smartkg

官方安装文档

https://blog.csdn.net/weixin_42691585/article/details/107424028

3、NER 评价指标

我们说过 NER 可以当做是多分类的任务，所以用于评估 NER模型效果的指标自然也可以使用多分类适用的指标了，比如 F1 值就是常用的指标。

正确率 = 识别出的正确实体数 / 识别出的实体数

召回率 = 识别出的正确实体数 / 样本的实体数

这两者的取值都在 0 和 1 之间，数值越接近1，正确率或召回率就越高。正确率和召回率有时会出现矛盾的情况，这是需要综合考虑它们的加权调和平均值，也就是 F 值 ，其中最常用的 F1 值，当 F1 值较高时说明试验方法比较有效。F1 值定义如下：

F1值 = （2 * 正确率 * 召回率）/（正确率 + 召回率）

正确率 = 识别出的正确实体数 / 识别出的实体数

召回率 = 识别出的正确实体数 / 样本的实体数

https://mp.weixin.qq.com/s?__biz=MzAwOTgwMjQ4OQ==&mid=2649990151&idx=1&sn=8ebad6a5914774bf82f0005800c0a53d&chksm=835d0391b42a8a87947fbd63d77e724d420ea8730eb644536c9078eb4e41150b8399f3f32d59&mpshare=1&scene=23&srcid=&sharer_sharetime=1578572689642&sharer_shareid=e2079a6fc148aa329c374ac4a944953d#rd