行自动评价并选择高分值的模式作为下一轮匹配的输入。
11.2.4 关系抽取
关系抽取的目标是解决实体语义链接的问题。关系的基本信息包括参数类型、满足此关系的元组模式等。例如，关系BeCapitalOf(表示一个国家的首都）的基本信息如下：
Capital和Country表示首都和国家两个语义类。
早期的关系抽取主要是通过人工构造语义规则以及模板的方法识别实体关系。随后，实体间的关系模型逐渐替代了人工预定义的语法与规则。但是仍需要提前定义实体间的关系类型。
最初实体关系识别任务在1998年的MUC(Message UnderstandingConference)中以MUC-7任务被引入，目的是通过填充关系模板槽的方式抽取文本中特定的关系。1998年后，在ACE(Automatic Content Extraction）中被定义为关系检测和识别的任务。2009年，ACE并入TAC(TextAnalysis Conference)，关系抽取被并入KBP（Knowledge Base Population)领域的槽填充任务。从关系任务定义上，分为限定领域（CloseDomain）和开放领域（OpenIE）；从方法上看，实体关系识别从流水线识别方法逐渐过渡到端到端的识别方法。
基于统计学的方法将从文本中识别实体间关系的问题转化为分类问题。基于统计学的方法在实体关系识别时需要加入实体关系上下文信息确定实体间的关系，然而基于监督的方法依赖大量的标注数据，因此半监督或者无监督的方法受到了更多关注。
11.2.5 知识表示
传统的知识表示方法主要是以RDF（资源描述框架）的三元组SPO（Subject，Property，Object)来符号性地描述实体之间的关系。这种表示方法通常很简单，受到广泛认可，但是其在计算效率、数据稀疏性等方面面临诸多问题。近年来，以深度学习为代表的表示学习技术取得了重要的进展，可以将实体的语义信息表示为稠密低维实值向量，进而在低维空间中高效计算实体、关系及其之间的复杂语义关联，对知识库的构建、推理、融合以及应用均具有重要的意义。
知识表示学习的代表模型有距离模型、单层神经网络模型、双线性模型、神经张量模型、矩阵分解模型、翻译模型等。比如，距离模型提出了知识库中实体以及关系的结构化嵌套方法(StructuredEmbedding，SE)，其基本思想是，首先将实体用向量进行表示，然后通过关系矩阵将实体投影到与实体关系对的向量空间中，最后通过计算投影向量之间的距离来判断实体间已存在的关系的置信度。由于距离模型中的关系矩阵是两个不同的矩阵，使得协同性较差。针对上述提到的距离模型中的缺陷，有人提出了采用单层神经网络的非线性模型(SingleLayerModel，SLM），模型为知识库中每个三元组（h,r,t)定义了一个评价函数。还有一个模型叫TransE模型，它将知识库中实体之间的关系看成是从实体间的某种平移，并用向量表示。
知识库中的实体关系类型也可分为1-to-1、1-to-N、N-to-1、N-to-N四种类型，而复杂关系主要指的是1-to-N、N-to-1、N-to-N三种关系类型。由于TransE模型不能用在处理复杂关系上，一系列基于它的扩展模型纷纷被提出，有TransH模型、TransR模型、TransD模型、TransG模型等。
人工智能与大数据技术导论
382