信息抽取的目的是從海量互聯網文本信息中抽取結構化知識，是知識圖譜自動化構建、更新的基礎，為信息檢索、推薦系統、智能問答等諸多研究領域提供底層知識推理支撐并取得了重大突破，是推動人工智能技術由感知走向認知的關鍵要素，具有重要的研究意義和實用價值。本書梳理了命名實體識別、關系抽取、事件抽取等相關研究方向的知識資源、基礎理論和實踐應用，詳細介紹了實體關系聯合抽取、弱監督關系抽取、基于遷移學習的關系抽取、多實例聯合事件抽取、基于因變量的事件模板推導等前沿理論研究，并以領域知識圖譜、事理圖譜等為例，詳細介紹了信息抽取在圖譜構建中的應用。最后本書對信息抽取進行了總結和未來研究方向展望。
1963年10月生，籍貫湖南。1986年1月加入中國共產黨，1989年3月參加工作。1983年畢業于武漢測繪科技大學計算機系獲學士學位，1986年畢業于國防科技大學計算機系獲碩士學位，1989年畢業于中國科學院計算技術研究所獲博士學位，后留所工作，先后任助理研究員、副研究員、研究員；1997年至2009年在中科院計算機語言信息工程研究中心任副主任、研究員并先后兼任中科院華建集團黨委委員、副書記，2009年至今任北京理工大學計算機學院院長、教授，兼北京市海量語言信息處理與云計算應用工程技術研究中心主任及中-德語言信息處理聯合實驗室主任；現為國家"863計劃”主題專家組成員、中國人工智能學會及中國中文信息學會副理事長、教育部計算機教學指導委員會委員、北京市學位委員會委員。主持承擔了國家自科基金重點項目、"973計劃”課題、"863計劃”項目等20多項國家級科研攻關項目，獲得了國家科技進步一等獎等8項國家級和省部級獎勵，1997年享受國務院政府特殊津貼，2014年當選全國優秀科技工作者。
第1章 緒論 1
1.1 研究背景及意義 1
1.2 基本定義及問題描述 3
1.2.1 概念 3
1.2.2 命名實體識別 3
1.2.3 關系抽取 4
1.2.4 事件抽取 4
1.2.5 資源受限 6
1.2.6 信息抽取應用 7
1.3 基本研究方法與代表性系統 9
1.3.1 基于規則的方法 9
1.3.2 基于統計模型的方法 10
1.3.3 基于深度學習的方法 10
1.3.4 基于文本挖掘的方法 10
1.4 本書章節組織架構 11
第2章 基礎理論 13
2.1 詞匯語義表示 13
2.1.1 基于矩陣分解的方法 13
2.1.2 基于預測任務的方法 15
2.2 序列標注 16
2.3 條件隨機場 18
2.3.1 線性鏈條件隨機場 18
2.3.2 Viterbi算法 19
2.4 循環神經網絡 20
2.4.1 樸素循環神經網絡 21
2.4.2 長短期記憶網絡 22
2.4.3 門控循環單元 22
2.4.4 雙向循環神經網絡 23
2.5 卷積神經網絡 24
2.5.1 文本上的卷積 25
2.5.2 卷積神經網絡的優點 25
2.6 圖卷積神經網絡 26
2.7 多任務學習 28
2.7.1 多任務學習模式 28
2.7.2 多任務學習有效性分析 29
2.8 遠程監督 30
2.9 遷移學習 30
2.9.1 基于實例的遷移學習 31
2.9.2 基于特征的遷移學習 31
2.9.3 基于共享參數的遷移學習 31
參考文獻 32
第3章 信息抽取相關評測和標注資源 35
3.1 MUC系列評測會議 35
3.2 ACE系列評測會議 37
3.3 TAC-KBP系列評測會議 40
3.4 其他研究活動 43
3.5 信息抽取標注資源 43
參考文獻 45
第4章 聯合實體識別的關系抽取 48
4.1 引言 48
4.2 問題描述 51
4.3 基于序列建模的實體識別 51
4.3.1 基于BERT的句子編碼 51
4.3.2 頭實體識別 52
4.3.3 尾實體識別 53
4.4 基于生成的實體關系聯合抽取 53
4.4.1 句子編碼 55
4.4.2 基于集合預測的解碼過程 56
4.5 基于翻譯的實體關系聯合抽取 57
4.5.1 輸入編碼 57
4.5.2 實體識別 58
4.5.3 關系預測 58
4.5.4 基于翻譯的實體關系聯合抽取案例 61
4.6 實驗驗證 62
4.6.1 數據集和評價指標 63
4.6.2 對比算法 63
4.6.3 實驗結果 64
4.6.4 問題與思考 65
4.7 本章小結 66
參考文獻 67
第5章 弱監督的關系抽取 69
5.1 引言 69
5.2 問題分析 70
5.3 基于注意力機制的弱監督關系抽取 73
5.3.1 基于切分卷積神經網絡的關系抽取 73
5.3.2 基于句子級別的注意力機制的遠程監督關系抽取 76
5.3.3 基于實體描述的句子級別的注意力機制的遠程監督關系抽取 77
5.3.4 基于非獨立同分布的遠程監督關系抽取 80
5.4 基于圖卷積的遠程監督關系抽取 82
5.4.1 基于依存樹的圖卷積關系抽取 82
5.4.2 基于注意力機制引導的圖卷積神經網絡關系抽取 85
5.5 基于篇章級別的遠程監督關系抽取 87
5.6 實驗驗證 91
5.7 本章小結 95
參考文獻 96
第6章 基于知識遷移的關系抽取 101
6.1 引言 101
6.2 同類別遷移的關系抽取 102
6.2.1 引言 102
6.2.2 相關工作 104
6.2.3 基于領域分離映射的領域自適應關系抽取框架 106
6.2.4 實驗部分 111
6.2.5 總結與分析 117
6.3 跨類別遷移的關系抽取 118
6.3.1 引 言 118
6.3.2 相關工作 120
6.3.3 基于任務感知的小實例關系抽取模型 122
6.3.4 實驗部分 129
6.3.5 總結與分析 134
6.4 不均衡模型訓練方法 135
6.4.1 引 言 135
6.4.2 相關工作 137
6.4.3 基于多分布選擇的不均衡數據分類方法 140
6.4.4 實驗部分 144
6.4.5 總結與分析 149
6.5 本章小結 149
參考文獻 150
新書資訊