关系抽取是开放信息抽取的最后一步，从前期得到的数据中识别并抽取出有价值的关系数据。
针对前面得到的概念关系网络，EXVerb使用了一个路径寻找的方法识别关系，也即在概念关系网络中寻找能够找到可用于关系抽取的合适路径。一旦发现网络中存在合适的路径，则将其提取出来构造三元组关系表示。
为了得到能够用于关系提取的路径，EXVerb使用了一个简单的学习方法，首先通过人工对100个句子进行标注。这些句子中文本都经过了前述的术语识别、剪枝、合并的处理，标注者对这些句子中存在的三元组关系进行标注，EXVerb将标注得到的数据对应到各个句子相应的概念关系网络中，通过路径匹配寻找到适用于三元组关系数据抽取的网络路径。
图5-6 词汇关系网络生成过程示意图
通过处理，EXVerb将匹配到的路径添加到路径寻找列表中。EXVerb中还添加了一些手工编制的路径和启发式规则，以提升抽取的准确性和召回率。部分路径见表5-3。
除了路径寻找外，EXVerb还使用了一些规则和词典以处理prepin、prepon等关系带来的标注不完整情况。
图5-7通过一个例子说明EXVerb是如何从文本中抽取得到关系数据的。给定文本：“Discriminative learning methods，such as Maximum Entropy Markov Models，Projection Based Markov Models，Conditional Random Fields，Sequence AdaBoost，Sequence Perceptron，Hidden Markov Support Vector Machines and Maximum-Margin Markov Networks，overcome the limitations of HMMs.”。EXVerb首先经过处理生成了概念关系网络。(www.xing528.com)
表5-3 用于关系抽取的路径
图5-7 从文本生成的概念关系网络
在图中，存在着多个可用的路径，如“methods：nsubj：overcom：limitations”“met hods：prepsuchas：Markov Models”等，这些路径对应的三元组会被抽取出来，形成抽取结果并输出（见表5-4）。图中的节点仅仅给出了Head词汇，而实际上每个节点对应的是一个术语或者术语序列，如“methods”对应的字符串是“Discriminative learningmethods”。在呈现三元组表示时，会给出节点的完整字符串表示。
表5-4 EXVerb抽取的三元组数据示例
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
