(1）基于百科或垂直站点抽取
基于百科站点或垂直站点抽取这种方法是从百科类站点（如维基百科、百度百科、互动百科等）的标题和链接中抽取实体名。这种方法的优点是可以得到开放互联网中最常见的实体名，其缺点是对于中低频的覆盖率低。与一般性通用的网站相比，垂直类站点的实体抽取可以获取特定领域的实体。例如从豆瓣各频道（音乐、读书、电影等）获取各种实体列表。这种方法主要是基于爬虫技术来实现和获取的。基于百科类站点或垂直站点抽取是一种最常规和基本的方法。
(2)基于规则与词典的实体提取方法
早期的实体抽取是在限定文本领域、限定语义单元类型的条件下进行的，主要采用的是基于规则与词典的方法，例如使用已定义的规则抽取出文本中的人名、地名、组织机构名、特定时间等实体。后期出现了启发式算法与规则模板相结合的方法。然而，基于规则模板的方法不仅需要依靠大量的专家来编写规则或模板，覆盖的领域范围有限，而且很难适应数据变化的新需求。
（3）基于统计机器学习的实体抽取方法
鉴于基于规则与词典实体的局限性，为了更有可扩展性，相关研究人员将机器学习中的监督学习算法用于命名实体的抽取问题上。例如，利用KNN算法与条件随机场模型实现了对Twitter文本数据中实体的识别。单纯的监督式学习算法在性能上不仅受到训练集合的限制，并且算法的准确率不够理想。相关研究者认识到监督式学习算法的制约性后，尝试将监督式学习算法与规则相互结合，取得了一定的成果。例如，基于字典，使用最大熵算法在Medline论文摘要的GENIA数据集上进行了实体抽取实验，实验的准确率在70%以上。近年来，随着深度学习的兴起应用，基于深度学习的命名实体识别得到广泛应用。例如，使用一种基于双向LSTM深度神经网络和条件随机场的识别方法，在测试数据上取得最好的表现结果。
（4）面向开放域的实体抽取方法
针对如何从少量实体实例中自动发现容易区分的模式，进而扩展到海量文本，去给实体做分类与聚类的问题。例如，使用一种通过迭代方式扩展实体资料库的解决方案，其基本思想是通过少量的实体实例建立特征模型，再通过该模型应用于新的数据集得到新的命名实体。有人还使用了一种基于无监督式学习的开放域聚类算法，其基本思想是基于已知实体的语义特征去搜索日志中识别出命名的实体，然后进行聚类。
11.2.2 语义类抽取
语义类抽取是指从文本中自动抽取信息来构造语义类并建立实体和语义类的关联，作为实体层面上的规整和抽象。下面介绍一种行之有效的语义类抽取方法，包含三个模块：并列相似度计算、上下位关系提取以及语义类生成。
- 并列相似度计算
并列相似度计算的结果是词和词之间的相似性信息，例如三元组（苹果，梨，s1）表示苹果和梨的相似度是s1。两个词有较高的并列相似度的条件是它们具有并列关系（同属于一个语义类），并且有较大的关联度。按照这样的标准，北京和上海具有较高的并列相似度，而北京和汽车的并列相似度很低(因为它们不属于同一个语义类）。对于海淀、朝阳、闵行三个市辖区来说，海淀和朝阳的并列相似度大于海淀和闵行的并列相似度（因为前两者的关联度更高）。
第11章 知识图谱
379