知识图谱学习（五）的核心内容包括实体识别与链接、关系抽取、事件抽取及面向结构化数据的知识抽取方法，具体如下：实体识别与链接实体识别：识别句子或文本中的实体。实体链接：将识别出的实体与知识库中的对应实体进行链接，涉及消歧技术。流程：候选实体生成：从文本中提取可能的实体。消歧：解决实体指代不明确的问题，确保链接到正确的知识库实体。关系抽取定义：从文本中抽取出两个或多个实体之间的语义关系。示例：文本：“王健林谈儿子王思聪:我期望他稳重一点。”关系：父子 (王健林, 王思聪)方法分类：基于模板的方法：触发词的Pattern：定义种子模板（如“老婆”、“妻子”、“配偶”等触发词），通过触发词找出夫妻关系，并利用命名实体识别确定关系参与方。依存分析的Pattern：以动词为中心，构建规则，限定节点词性和依存关系（如形容词+名词或动宾短语），通过依存树找到对应的RDF关系。基于监督学习的方法：流程：预先定义关系类别，人工标注数据，设计特征表示，选择分类方法（如SVM、NN、朴素贝叶斯），最后进行评估。优点：准确率高，标注数据越多越准确。缺点：标注数据成本高，难以扩展新关系。弱监督学习的方法：远程监督：利用知识库与非结构化文本对齐自动构建训练数据，减少人工标注依赖。Bootstrapping：通过匹配实体对和关系短语模式，发现新的潜在关系三元组。基于模板的方法特点：优点：在小规模数据集上容易实现，构建简单。缺点：难以维护，可移植性差，模板可能需要专家构建。远程监督与Bootstrapping远程监督：流程：从知识库中抽取存在关系的实体对，从非结构化文本中抽取含有实体对的句子作为训练样例。优点：利用知识库信息，减少人工标注。缺点：假设过于肯定，可能引入噪声，存在语义漂移现象，难以发现新关系。Bootstrapping：流程：从文档中抽取出包含种子实体的新闻，将抽取出的Pattern去文档集中匹配，根据Pattern抽取出的新文档如种子库，迭代多轮直到不符合条件。优点：构建成本低，适合大规模构建，可发现新的隐含关系。缺点：对初始种子集敏感，存在语义漂移现象，结果准确率较低。事件抽取定义：从自然语言中抽取出用户感兴趣的事件信息，并以结构化的形式呈现出来，如事件发生的时间、地点、原因、参与者等。任务：基础部分：识别事件触发词及事件类型，抽取事件元素并判断其角色，抽出描述事件的词组或句子。其他任务：事件属性标注，事件共指消解。方法分类：Pipeline方法：流程：将事件抽取任务转化为多阶段的分类问题，包括事件触发词分类器、元素分类器、元素角色分类器、属性分类器、可报告性分类器。缺点：误差传递问题严重。联合训练方法：减少误差传递，提高整体性能。基于深度学习的事件抽取方法：自动提取句子特征，减少对外部NLP工具的依赖。面向结构化数据的知识抽取定义：将类似于关系库中表格形式的结构化数据转化为RDF或其他形式的知识库内容。包装器归纳定义：基于有监督学习的方法，自动从标注好的训练样例集合中学习数据抽取规则，用于从其他相同标记或相同网页模板抽取目标数据。流程：训练阶段：从标注好的样例中学习抽取规则。应用阶段：使用学习到的规则从新数据中抽取目标信息。