《Python星球日记》第71天：命名实体识别（NER）与关系抽取

名人说：路漫漫其修远兮，吾将上下而求索。------ 屈原《离骚》
创作者：Code_流苏(CSDN) （一个喜欢古诗词和编程的Coder😊）

目录

一、命名实体识别（NER）基础

[1. 什么是命名实体识别？](#1. 什么是命名实体识别？)

[2. 常见的实体类型](#2. 常见的实体类型)

[3. NER的技术实现](#3. NER的技术实现)

[(1) 基于规则的方法](#(1) 基于规则的方法)

[(2) 统计机器学习方法](#(2) 统计机器学习方法)

[(3) 深度学习方法](#(3) 深度学习方法)

[(4) 预训练语言模型](#(4) 预训练语言模型)

[4. NER的标注方式](#4. NER的标注方式)

二、深入理解命名实体识别

[1. NER的应用场景](#1. NER的应用场景)

[2. NER评估指标](#2. NER评估指标)

[3. 领域适应与迁移学习](#3. 领域适应与迁移学习)

三、关系抽取基础

[1. 什么是关系抽取？](#1. 什么是关系抽取？)

[2. 关系类型与表示](#2. 关系类型与表示)

[3. 关系抽取的技术方法](#3. 关系抽取的技术方法)

[(1) 基于规则的方法](#(1) 基于规则的方法)

[(2) 基于监督学习的方法](#(2) 基于监督学习的方法)

[(3) 基于远程监督的方法](#(3) 基于远程监督的方法)

[(4) 基于预训练语言模型的方法](#(4) 基于预训练语言模型的方法)

四、NER与关系抽取实战

[1. 使用spaCy进行NER实践](#1. 使用spaCy进行NER实践)

[2. 使用Hugging Face进行BERT-NER微调](#2. 使用Hugging Face进行BERT-NER微调)

[3. 构建端到端信息抽取系统](#3. 构建端到端信息抽取系统)

五、命名实体识别与关系抽取的实际应用

[1. 知识图谱构建](#1. 知识图谱构建)

[2. 企业智能应用](#2. 企业智能应用)

[3. 学术研究与医疗应用](#3. 学术研究与医疗应用)

六、总结与展望

未来发展趋势

练习与思考

👋 专栏介绍 ： Python星球日记专栏介绍（持续更新ing）
✅ 上一篇 ：《Python星球日记》第70天：Seq2Seq 与Transformer Decoder

欢迎回到Python星球🪐日记！今天是我们旅程的第71天。

在自然语言处理（NLP）领域，理解文本中的实体及其关系是构建智能系统的基础。今天，我们将探索命名实体识别 和关系抽取这两项核心技术，它们共同构成了信息抽取的重要环节，为知识图谱、智能问答和文本分析等应用提供关键支持。

一、命名实体识别（NER）基础

1. 什么是命名实体识别？

命名实体识别 （Named Entity Recognition，简称NER）是指从非结构化文本中识别并提取特定类型的实体（如人名、地名、组织名等）的过程。它是信息抽取和知识图谱构建的第一步，为文本理解奠定基础。

举个例子，在句子"马克·扎克伯格于2004年在哈佛大学创立了Facebook"中，NER系统会识别出：

"马克·扎克伯格" → 人名（PERSON）
"2004年" → 时间（DATE）
"哈佛大学" → 组织名（ORGANIZATION）
"Facebook" → 组织名（ORGANIZATION）

2. 常见的实体类型

命名实体通常分为以下几种类型：

实体类型	描述	示例
PERSON	人名	马云、李彦宏、比尔·盖茨
LOCATION	地理位置	北京、黄河、埃菲尔铁塔
ORGANIZATION	组织机构名	腾讯、清华大学、联合国
DATE	日期时间	2023年、5月1日、下午三点
MONEY	货币金额	100元、$50、5000万美元
PERCENT	百分比	50%、三分之一
EVENT	事件	世界杯、奥运会
PRODUCT	产品	iPhone、Tesla Model 3

注意：不同的NER系统可能会定义不同的实体类型集合，根据具体应用场景进行调整。

3. NER的技术实现

NER技术经历了从规则到深度学习的演进历程：

(1) 基于规则的方法

最早的NER系统主要依靠人工编写的规则 和匹配模式。虽然在特定领域可以达到不错的效果，但缺乏泛化能力，维护成本高。

(2) 统计机器学习方法

随后出现了基于条件随机场 （CRF）、隐马尔可夫模型（HMM）等统计模型的方法，将NER视为序列标注问题，通过手工特征工程提升性能。

(3) 深度学习方法

BiLSTM-CRF模型结合了双向LSTM捕获上下文信息的能力和CRF建模标签依赖关系的优势，成为NER任务的经典架构。

python 复制代码

# BiLSTM-CRF模型的简化PyTorch实现
class BiLSTM_CRF(nn.Module):
    def __init__(self, vocab_size, tag_to_ix, embedding_dim, hidden_dim):
        super(BiLSTM_CRF, self).__init__()
        self.embedding_dim = embedding_dim
        self.hidden_dim = hidden_dim
        self.vocab_size = vocab_size
        self.tag_to_ix = tag_to_ix
        self.tagset_size = len(tag_to_ix)
        
        # 词嵌入层
        self.word_embeds = nn.Embedding(vocab_size, embedding_dim)
        # 双向LSTM
        self.lstm = nn.LSTM(embedding_dim, hidden_dim // 2,
                            num_layers=1, bidirectional=True)
        # 映射到标签空间
        self.hidden2tag = nn.Linear(hidden_dim, self.tagset_size)
        # CRF层的转移矩阵
        self.transitions = nn.Parameter(
            torch.randn(self.tagset_size, self.tagset_size))

(4) 预训练语言模型

BERT等预训练语言模型的出现极大提升了NER性能，它们能够捕获丰富的上下文语义信息，为下游任务提供强大的特征表示。

python 复制代码

# 使用BERT进行NER的简化示例
from transformers import BertForTokenClassification, BertTokenizer

tokenizer = BertTokenizer.from_pretrained('bert-base-chinese')
model = BertForTokenClassification.from_pretrained('bert-base-chinese', num_labels=len(tag_list))

# 输入处理
tokens = tokenizer.tokenize(text)
inputs = tokenizer(text, return_tensors="pt", padding=True, truncation=True)

# 预测
outputs = model(**inputs)
predictions = torch.argmax(outputs.logits, dim=2)

4. NER的标注方式

NER任务常用的标注方式有：

BIO标注：B-开始，I-内部，O-外部
BIOES标注：B-开始，I-内部，O-外部，E-结束，S-单个实体

例如，对于句子"张三在北京大学学习"：

复制代码

张/B-PER 三/I-PER 在/O 北/B-ORG 京/I-ORG 大/I-ORG 学/I-ORG 学/O 习/O

二、深入理解命名实体识别

1. NER的应用场景

命名实体识别作为信息抽取的基础环节，在众多应用场景中扮演着关键角色：

搜索引擎优化：识别查询中的实体，提供更精准的搜索结果
智能问答系统：理解问题中的关键实体，检索相关信息
知识图谱构建：自动从文本中提取实体，作为知识图谱的节点
舆情分析：识别文本中提及的人物、组织、地点等，进行情感分析
医疗信息处理：从医疗文献中提取疾病、药品、症状等专业术语
法律文档处理：识别法律文书中的当事人、案由、日期等关键信息

2. NER评估指标

评估NER系统性能通常使用以下指标：

精确率（Precision）：正确识别的实体数量 / 系统识别出的所有实体数量
召回率（Recall）：正确识别的实体数量 / 文本中实际存在的所有实体数量
F1值：精确率和召回率的调和平均，计算公式为 2 * (Precision * Recall) / (Precision + Recall)

对于NER任务，评估时需要完全匹配实体的边界和类型才算正确识别。

3. 领域适应与迁移学习

通用NER系统在特定领域（如医疗、法律、金融等）可能表现不佳，需要进行领域适应：

数据增强：使用领域内数据扩充训练集
迁移学习：利用预训练模型，在领域数据上进行微调
半监督学习：结合少量标注数据和大量未标注数据

三、关系抽取基础

1. 什么是关系抽取？

关系抽取（Relation Extraction）是指从文本中识别并提取实体之间语义关系的过程。它是NER的延伸，共同构成结构化知识的关键环节。

2. 关系类型与表示

关系抽取的第一步是定义关系类型集合。常见的关系类型包括：

关系类型	描述	示例
从属关系	表示归属、隶属等	(腾讯, 创始人, 马化腾)
空间关系	表示地理位置相关性	(故宫, 位于, 北京)
时间关系	表示时间相关性	(奥运会, 举办于, 2022年)
社会关系	表示人际关系	(马云, 创立, 阿里巴巴)
因果关系	表示原因和结果	(吸烟, 导致, 肺癌)

关系通常表示为三元组形式：(头实体, 关系, 尾实体)，如 (北京, 是, 中国首都)。

3. 关系抽取的技术方法

(1) 基于规则的方法

早期关系抽取主要基于人工定义的规则 和模式匹配，通过词法和句法分析来提取关系。

python 复制代码

# 基于依存句法分析的简单关系抽取示例
import spacy

nlp = spacy.load("zh_core_web_sm")
text = "马云创立了阿里巴巴公司。"
doc = nlp(text)

# 基于依存关系的简单规则
for token in doc:
    if token.dep_ == "ROOT" and token.pos_ == "VERB":  # 谓语动词
        subject = None
        object = None
        for child in token.children:
            if child.dep_ == "nsubj":  # 主语
                subject = child.text
            if child.dep_ == "dobj":  # 宾语
                object = child.text
        if subject and object:
            print(f"关系三元组: ({subject}, {token.text}, {object})")

(2) 基于监督学习的方法

监督学习方法将关系抽取视为分类任务，给定一对实体和包含它们的句子，预测它们之间的关系类型。

早期使用手工特征 （词法、句法、位置信息等），后来发展为基于神经网络的方法：

python 复制代码

# 使用BERT进行关系分类的示例
from transformers import BertForSequenceClassification, BertTokenizer
import torch

tokenizer = BertTokenizer.from_pretrained('bert-base-chinese')
model = BertForSequenceClassification.from_pretrained('bert-base-chinese', num_labels=len(relation_types))

# 输入处理：为实体对添加特殊标记
def process_text(text, head_entity, tail_entity):
    # 用特殊标记标注实体位置
    marked_text = text.replace(head_entity, f"[E1]{head_entity}[/E1]")
    marked_text = marked_text.replace(tail_entity, f"[E2]{tail_entity}[/E2]")
    return marked_text

# 训练和预测
inputs = tokenizer(marked_text, padding=True, truncation=True, return_tensors="pt")
outputs = model(**inputs)
predicted_relation = torch.argmax(outputs.logits, dim=1).item()

(3) 基于远程监督的方法

**远程监督（Distant Supervision）**是解决关系抽取标注数据不足问题的重要方法。其核心思想是：如果两个实体在知识库中存在某种关系，则包含这两个实体的句子很可能表达了这种关系。

python 复制代码

# 远程监督示例：利用知识库自动标注训练数据
def generate_training_data(corpus, knowledge_base):
    training_data = []
    
    for sentence in corpus:
        entities = extract_entities(sentence)  # 假设有NER系统
        
        # 找出句子中所有可能的实体对
        for head_entity in entities:
            for tail_entity in entities:
                if head_entity != tail_entity:
                    # 在知识库中查找关系
                    relation = knowledge_base.query_relation(head_entity, tail_entity)
                    if relation:
                        # 生成训练样本
                        training_data.append({
                            'sentence': sentence,
                            'head': head_entity,
                            'tail': tail_entity,
                            'relation': relation
                        })
    
    return training_data

(4) 基于预训练语言模型的方法

BERT 等预训练模型极大提升了关系抽取性能，通过微调和联合学习可以进一步优化效果。

python 复制代码

# 使用BERT进行端到端关系抽取（实体识别 + 关系分类）
class JointNERAndRE(nn.Module):
    def __init__(self, num_entity_types, num_relation_types):
        super(JointNERAndRE, self).__init__()
        self.bert = BertModel.from_pretrained('bert-base-chinese')
        
        # NER分类器
        self.ner_classifier = nn.Linear(self.bert.config.hidden_size, num_entity_types)
        
        # 关系分类器
        self.re_classifier = nn.Linear(self.bert.config.hidden_size * 2, num_relation_types)
        
    def forward(self, input_ids, attention_mask, token_type_ids):
        # BERT编码
        outputs = self.bert(
            input_ids=input_ids,
            attention_mask=attention_mask,
            token_type_ids=token_type_ids
        )
        
        sequence_output = outputs.last_hidden_state  # 用于NER
        pooled_output = outputs.pooler_output        # 用于RE
        
        # NER预测
        ner_logits = self.ner_classifier(sequence_output)
        
        # 关系预测（简化版）
        re_logits = self.re_classifier(pooled_output)
        
        return ner_logits, re_logits

四、NER与关系抽取实战

1. 使用spaCy进行NER实践

spaCy是一个强大的NLP库，提供了高效的命名实体识别功能：

python 复制代码

import spacy
from spacy import displacy

# 加载中文模型
nlp = spacy.load("zh_core_web_sm")

# 处理文本
text = "马云于1999年在杭州创立了阿里巴巴，并担任CEO直到2019年。"
doc = nlp(text)

# 提取命名实体
for ent in doc.ents:
    print(f"实体: {ent.text}, 类型: {ent.label_}")

# 可视化
displacy.render(doc, style="ent", jupyter=True)

# 定义自定义实体类型
custom_labels = {
    "人物": "PERSON",
    "组织": "ORG",
    "地点": "LOC",
    "时间": "DATE"
}

# 训练自定义NER模型
from spacy.training.example import Example

# 准备训练数据
train_data = [
    ("马云于1999年在杭州创立了阿里巴巴。", {"entities": [(0, 2, "PERSON"), (3, 8, "DATE"), (9, 11, "LOC"), (14, 18, "ORG")]}),
    # 更多训练数据...
]

# 创建空模型
nlp = spacy.blank("zh")
ner = nlp.add_pipe("ner")

# 添加实体标签
for _, annotations in train_data:
    for ent in annotations.get("entities"):
        ner.add_label(ent[2])

# 训练模型
optimizer = nlp.begin_training()
for i in range(100):
    losses = {}
    examples = []
    for text, annots in train_data:
        examples.append(Example.from_dict(nlp.make_doc(text), annots))
    nlp.update(examples, drop=0.5, losses=losses)
    print(f"Loss: {losses}")

2. 使用Hugging Face进行BERT-NER微调

Hugging Face Transformers库提供了丰富的预训练模型和工具，便于进行NER模型的微调：

python 复制代码

from transformers import AutoTokenizer, AutoModelForTokenClassification
from transformers import Trainer, TrainingArguments
from datasets import load_dataset

# 加载预训练模型和分词器
tokenizer = AutoTokenizer.from_pretrained("bert-base-chinese")
model = AutoModelForTokenClassification.from_pretrained(
    "bert-base-chinese", num_labels=len(id2label), id2label=id2label, label2id=label2id
)

# 数据处理函数
def tokenize_and_align_labels(examples):
    tokenized_inputs = tokenizer(
        examples["tokens"], truncation=True, is_split_into_words=True
    )
    
    labels = []
    for i, label in enumerate(examples["tags"]):
        word_ids = tokenized_inputs.word_ids(batch_index=i)
        label_ids = []
        for word_id in word_ids:
            if word_id is None:
                label_ids.append(-100)
            else:
                label_ids.append(label[word_id])
        labels.append(label_ids)
        
    tokenized_inputs["labels"] = labels
    return tokenized_inputs

# 加载数据集
dataset = load_dataset("conll2003")  # 示例数据集，实际应使用中文NER数据集
tokenized_dataset = dataset.map(tokenize_and_align_labels, batched=True)

# 训练参数
training_args = TrainingArguments(
    output_dir="./results",
    evaluation_strategy="epoch",
    learning_rate=2e-5,
    per_device_train_batch_size=16,
    per_device_eval_batch_size=16,
    num_train_epochs=3,
    weight_decay=0.01,
)

# 训练
trainer = Trainer(
    model=model,
    args=training_args,
    train_dataset=tokenized_dataset["train"],
    eval_dataset=tokenized_dataset["validation"],
    tokenizer=tokenizer,
)

trainer.train()

# 保存模型
model.save_pretrained("./ner-model")
tokenizer.save_pretrained("./ner-model")

3. 构建端到端信息抽取系统

结合NER和关系抽取，构建完整的信息抽取系统：

python 复制代码

import spacy
from transformers import AutoTokenizer, AutoModelForSequenceClassification
import torch

# 1. 命名实体识别
nlp = spacy.load("zh_core_web_sm")  # 或自定义训练的模型

# 2. 关系分类
tokenizer = AutoTokenizer.from_pretrained("bert-base-chinese")
relation_model = AutoModelForSequenceClassification.from_pretrained("./relation-model")

# 关系标签
relation_labels = {0: "无关系", 1: "创始人", 2: "位于", 3: "工作于", 4: "生产于"}

# 端到端信息抽取
def extract_information(text):
    # 识别实体
    doc = nlp(text)
    entities = [(ent.text, ent.label_, ent.start_char, ent.end_char) for ent in doc.ents]
    
    # 提取所有可能的实体对
    entity_pairs = []
    relations = []
    
    for i, (head, head_type, h_start, h_end) in enumerate(entities):
        for j, (tail, tail_type, t_start, t_end) in enumerate(entities):
            if i != j:  # 不考虑同一实体
                # 为关系分类准备输入
                marked_text = text[:h_start] + "[E1]" + head + "[/E1]" + text[h_end:t_start] + "[E2]" + tail + "[/E2]" + text[t_end:]
                inputs = tokenizer(marked_text, return_tensors="pt", padding=True, truncation=True)
                
                # 预测关系
                with torch.no_grad():
                    outputs = relation_model(**inputs)
                    predicted_class = torch.argmax(outputs.logits, dim=1).item()
                
                relation = relation_labels[predicted_class]
                if relation != "无关系":
                    relations.append((head, relation, tail))
    
    return entities, relations

# 演示
text = "马云于1999年在杭州创立了阿里巴巴，后来阿里巴巴总部设在杭州。"
entities, relations = extract_information(text)

print("实体:")
for entity in entities:
    print(f"- {entity[0]} ({entity[1]})")

print("\n关系:")
for relation in relations:
    print(f"- ({relation[0]}, {relation[1]}, {relation[2]})")

五、命名实体识别与关系抽取的实际应用

1. 知识图谱构建

命名实体识别 和关系抽取是构建知识图谱的两大基石。一个完整的知识图谱构建流程包括：

使用NER从大规模文本中识别实体，作为图谱中的节点
通过关系抽取确定实体间的连接，作为图谱中的边
实体链接与消歧，将识别出的实体链接到知识库中的规范实体
图谱存储与查询，通常使用图数据库（如Neo4j）进行存储和检索

python 复制代码

# 简单的知识图谱构建示例
from py2neo import Graph, Node, Relationship

# 连接图数据库
graph = Graph("bolt://localhost:7687", auth=("neo4j", "password"))

# 清空数据库
graph.delete_all()

# 处理文本
text = "马云于1999年在杭州创立了阿里巴巴，后来阿里巴巴总部设在杭州。马化腾创办了腾讯，总部位于深圳。"
entities, relations = extract_information(text)  # 前面定义的函数

# 创建实体节点
nodes = {}
for entity, entity_type, _, _ in entities:
    if entity not in nodes:
        node = Node(entity_type, name=entity)
        nodes[entity] = node
        graph.create(node)

# 创建关系
for head, relation_type, tail in relations:
    if head in nodes and tail in nodes:
        relationship = Relationship(nodes[head], relation_type, nodes[tail])
        graph.create(relationship)

print("知识图谱构建完成！")

2. 企业智能应用

在企业应用中，NER和关系抽取可以用于：

智能客服：自动识别用户问题中的关键实体和意图，提供精准回复
合同审核：提取合同中的关键主体、日期、条款等信息，辅助法务审核
商业智能：从行业报告中提取公司、产品、指标等信息，进行市场分析
风险监控：从新闻、社交媒体中提取实体关系，预警潜在风险

python 复制代码

# 智能客服场景下的实体和意图提取示例
def analyze_customer_query(query):
    # 1. NER识别实体
    doc = nlp(query)
    entities = {ent.label_: ent.text for ent in doc.ents}
    
    # 2. 意图分类（简化示例）
    intents = {
        "查询订单": ["订单", "查询", "物流", "发货"],
        "退换货": ["退货", "换货", "退款", "质量"],
        "产品咨询": ["功能", "价格", "规格", "如何使用"]
    }
    
    query_intent = None
    max_score = 0
    
    for intent, keywords in intents.items():
        score = sum(1 for word in keywords if word in query)
        if score > max_score:
            max_score = score
            query_intent = intent
    
    # 3. 构建结构化查询
    result = {
        "intent": query_intent,
        "entities": entities
    }
    
    return result

# 测试
query = "我昨天买的iPhone 13什么时候能发货？订单号是2023051001"
analysis = analyze_customer_query(query)
print(f"意图: {analysis['intent']}")
print(f"实体: {analysis['entities']}")

3. 学术研究与医疗应用

在学术研究和医疗领域，NER和关系抽取有着特殊的应用价值：

文献挖掘：从大量学术论文中提取研究主题、方法、结果等关键信息
医疗记录分析：从病历中提取症状、疾病、药物及其关系，辅助临床决策
药物相互作用分析：识别论文中描述的药物间相互作用，指导用药安全

python 复制代码

# 医疗领域的实体和关系抽取示例
def analyze_medical_text(text):
    # 加载医疗领域专用模型（这里为示例，实际需要训练）
    medical_nlp = spacy.load("./medical_ner_model")
    
    # 识别医疗实体
    doc = medical_nlp(text)
    entities = []
    for ent in doc.ents:
        entities.append({
            "text": ent.text,
            "type": ent.label_,
            "start": ent.start_char,
            "end": ent.end_char
        })
    
    # 识别医疗关系（简化示例）
    relations = []
    disease_entities = [e for e in entities if e["type"] == "DISEASE"]
    symptom_entities = [e for e in entities if e["type"] == "SYMPTOM"]
    drug_entities = [e for e in entities if e["type"] == "DRUG"]
    
    # 疾病-症状关系
    for disease in disease_entities:
        for symptom in symptom_entities:
            # 简单的基于距离的关系推断（实际系统需更复杂算法）
            if abs(disease["start"] - symptom["end"]) < 50 or abs(symptom["start"] - disease["end"]) < 50:
                relations.append({
                    "head": disease["text"],
                    "type": "has_symptom",
                    "tail": symptom["text"]
                })
    
    # 疾病-药物治疗关系
    for disease in disease_entities:
        for drug in drug_entities:
            if abs(disease["start"] - drug["end"]) < 50 or abs(drug["start"] - disease["end"]) < 50:
                relations.append({
                    "head": drug["text"],
                    "type": "treats",
                    "tail": disease["text"]
                })
    
    return {
        "entities": entities,
        "relations": relations
    }

# 测试
medical_text = "患者表现为持续性头痛和发热，考虑为流感，建议服用布洛芬缓解症状，同时使用奥司他韦抗病毒治疗。"
result = analyze_medical_text(medical_text)
print("医疗实体:", [e["text"] + "(" + e["type"] + ")" for e in result["entities"]])
print("医疗关系:", [(r["head"], r["type"], r["tail"]) for r in result["relations"]])

六、总结与展望

命名实体识别（NER）和关系抽取是信息抽取中的关键技术，为结构化知识的自动构建铺平了道路。通过本文的学习，我们掌握了：

NER的基本原理与主流技术路线，从规则到深度学习
关系抽取的核心方法，包括监督学习和远程监督等方式
实战应用，使用spaCy和Hugging Face等工具进行模型训练和应用开发
行业应用案例，如何将这些技术应用到知识图谱、企业智能和医疗研究中

未来发展趋势

多模态信息抽取：结合图像、视频等多模态数据进行实体和关系识别
低资源场景优化：针对专业领域或小语种等数据稀缺场景的优化方法
知识图谱与大语言模型融合：将结构化知识与生成式模型结合，提升推理能力
可解释性研究：提高NER和关系抽取模型决策的可解释性和可信度

命名实体识别和关系抽取技术正逐步走向成熟，未来将与大语言模型、多模态技术深度融合，在各行各业发挥更加重要的作用。作为NLP的基础技术，它们值得每位AI从业者深入学习和掌握。

练习与思考

尝试使用spaCy训练一个针对特定领域（如医疗、法律或金融）的NER模型
探索远程监督方法构建关系抽取数据集的实际效果
结合BERT等预训练模型，实现端到端的信息抽取系统
思考：如何评估和优化NER和关系抽取模型在实际应用中的表现？

通过系统学习和实践，你已经具备了实现基础信息抽取系统的能力。下一步，可以尝试将这些技术与大语言模型结合，探索更加智能的文本理解与生成应用。

Happy coding!

祝你学习愉快，Python星球的探索者！👨‍🚀🌠

创作者：Code_流苏(CSDN)（一个喜欢古诗词和编程的Coder😊）

如果你对今天的内容有任何问题，或者想分享你的学习心得，欢迎在评论区留言讨论！

《Python星球日记》 第71天：命名实体识别（NER）与关系抽取

目录

一、命名实体识别（NER）基础

1. 什么是命名实体识别？

2. 常见的实体类型

3. NER的技术实现

(1) 基于规则的方法

(2) 统计机器学习方法

(3) 深度学习方法

(4) 预训练语言模型

4. NER的标注方式

二、深入理解命名实体识别

1. NER的应用场景

2. NER评估指标

3. 领域适应与迁移学习

三、关系抽取基础

1. 什么是关系抽取？

2. 关系类型与表示

3. 关系抽取的技术方法

(1) 基于规则的方法

(2) 基于监督学习的方法

(3) 基于远程监督的方法

(4) 基于预训练语言模型的方法

四、NER与关系抽取实战

1. 使用spaCy进行NER实践

2. 使用Hugging Face进行BERT-NER微调

3. 构建端到端信息抽取系统

五、命名实体识别与关系抽取的实际应用

1. 知识图谱构建

2. 企业智能应用

3. 学术研究与医疗应用

六、总结与展望

未来发展趋势

练习与思考

《Python星球日记》第71天：命名实体识别（NER）与关系抽取