丽水古堰画乡经典logo设计基于深度学习的关系抽取关键技术综述
颜真卿行书作者：熊常春 辜贤杰 张林
珍珠鳖上海就业来源：《商情》2020年第40期
车辆免检标志怎么领取
【摘要】知识图谱在人工智能领域扮演了重要角色，在智能搜索、千人千面推荐、机器人助手等智能信息服务中创造了巨大价值。构建知识图谱不可或缺的工作是关系抽取，同时随着基于深度学习的预训练、图神经网络、远程监督等研究与实践的开展，关系抽取工作硕果累累。本论文总结了近几年来基于深度学习的关系抽取研究进展的同时，并就未来关系抽取研究与工业实践工作存在的机遇与挑战进行了梳理。
【关键词】关系抽取; 深度学习; 联合学习; 远程监督; 预训练
引言：在知识图谱领域，Google做了很多开创性的工作，其概念最早来自于该公司2012年一篇博文，在这之前的语义网、链接数据的概念已经流行，其初衷是让搜索引擎能洞察用户语义信息，提高信息搜索质量和网络服务体验。知识图谱在学术上来说可以解释为是一种语义网络或本体论，即我们口头常说的多关系图。目前一大批知识图谱系统如KnowItAll、YAGO、DBpedia、Freeba、Proba、Microsoft Concept Graph和OpenKG等相继建设起来。知识图谱可以用RDF格式对事物、关系进行形式化描述，目前在智能搜索系统、个性化推荐应用和目标导向型、闲聊型的智能助手系统等领域得到广泛使用。
知识图谱工程工作量相对来说比较大，内容涉及比较多，其中知识抽取主要包括实体识别、关系抽取和事件抽取。“关系抽取[2]就是找出文本中的实体，同时区别实体间的语义关系”。即从待处理的文本中抽取<实体，关系，实体>集合。春游活动方案
时间名言 传统的实体关系抽取方法主要有基于特征向量、核函数和神经网络模型等多种基于模板、监督或无监督的方式方法，随着研究和实践的深入，当前预训练模型在垂直和开放领域都取得不错的效果。由于篇幅所限本文主要探讨基于深度学习的关系抽取关键技术即：流水线、联合学习、远程监督和预训练等。
