1.什么是信息抽取
即自动从无结构或半结构的文本中抽取出结构化信息的任务(病历抽取)
2.实体抽取3.关系抽取4.事件抽取
信息抽取和知识图谱是一个上下游的关系。抽取的结果，可以组装成知识图谱（一种存储知识的结构）
医疗、金融、法律，三大行业用得比较多从问诊中抽取信息贷款审核，大量的纸质、DPF文件，需要将里面的信息进行匹配审核
根据抽取结果在不在原文中对信息抽取分类这次我们只关注抽取式，不在原文中的情况需要参考生成方法
抽取式：结果在原文中生成式：结果不在原文中，如果生成的结果需要一个知识做为辅助，就需要知识图谱，很多时候不需要知识图谱抽取式分类
实体抽取关系抽取事件抽取信息抽取的通用评测指标，所有的信息抽取都可以用它评Precision：抽取出来的结果，抽出来10个，5个对的，就是 50%Recall：关注模型漏了哪些东西，指标0~1，数值越高，模型越好F1：Precision和Recall的综合平均，是两个的综合反映
抽取模型的关键要素：解码设计
实体抽取从一段文本中抽取出文本内容，并识别为预定义的类别
一般是 BIO 解码方式 + CRF 模型结构
复杂的实体抽取，无法用 BIO 直接解决（用到关系抽取）复杂实体抽取中的问题1：重叠嵌套复杂实体抽取中的问题2：不连续
关系抽取从文本中抽取出一对实体和预定义的关系类型，得到包含语义信息的实体关系三元组关系是有方向的，抽取的两个实体一般称作头实体（HeadEntity）和尾实体（TailEntity）
关系分类是关系抽取的第二步
解码设计训练集需要人工标注或其它标注简单关系抽取复杂关系抽取，将 CRF 升级成 Sigmoid，判断大于 0.5 是一个类别，小于则不是
实体对组合
效果最好的模型，可以预测很多个类别SPO 主谓宾
事件抽取从一段文本中抽取出预定义的事件触发词和事件要素，组合为相应的结构化信息除了事件，实际应用中信息抽取的结果可能更加复杂，但都可以拆成关系抽取
