《知识图谱信息抽取技术研究综述》学术报告
作者及发表信息： 本文作者为北京信息科技大学计算机学院的苗琳、吴钰、刘旭红、刘秀磊团队，发表于《计算机仿真》2025年第42卷第9期，文章编号1006-9348(2025)09-0279-07。
研究主题： 本文系统综述了知识图谱（Knowledge Graph）构建中的核心环节——信息抽取（Information Extraction）技术，聚焦实体抽取（Entity Extraction）、关系抽取（Relation Extraction）和属性抽取（Attribute Extraction）三大基础任务，并对未来发展趋势提出展望。
主要观点与论据：
信息抽取技术的核心地位 文章指出在信息爆炸时代，知识图谱通过结构化语义表示成为管理海量数据的有效工具。通过分析非结构化数据中”实体-关系-实体”三元组和”实体-属性-值”三元组的构建过程，强调信息抽取作为知识图谱构建的第一步，其准确率直接影响后续知识融合、知识加工等环节的质量。研究引用BERT、GPT等预训练语言模型的应用案例，证明深度学习技术已显著提升信息抽取效率。
实体抽取技术进展 • 嵌套实体识别：通过构建实体矩阵（如GlobalPointer模型）和叠层式模型（如Lu等人的层级NER模型）解决传统CRF序列标注的局限。特别指出Luo引入图神经网络实现内外层实体信息双向交互，在OntoNotes中文数据集F1值达80%。 • 非连续实体问题：Wang等人将句子构造为分段图转化为最大团发现问题，Li等人通过关系分类判断片段连续性，实验证明可同步解决实体重叠问题。 • 中文特殊挑战：相比英文数据集F1值低约10%，微博等非正式文本因未登录词问题召回率显著下降。
关系抽取技术突破 • 重叠三元组：Wei提出的级联二元标记框架在NYT和WebNLG数据集达到SOTA效果，将关系视为实体对的离散标签。 • 文档级关系抽取：Nan使用结构化注意力捕获非局部交互，吴婷团队通过动态拓扑图解决长距离依赖，在DocRED数据集验证有效性。 • 小样本学习：潘理虎融合句法依存信息和维基百科语义，在FewRel1.0数据集提升效果；Wan结合多模态数据增强社会关系抽取。
属性抽取技术挑战 • 远程监督应用：马进团队利用百科表格数据构建人物属性表，结合BiLSTM-CRF模型完成抽取。 • 注意力机制改进：程梦团队引入情感词交互注意力，尉桢楷设计类卷积交互式注意力，在SemEval数据集验证模型有效性。 • 文本化简方法：吴呈提出Seq2Seq-RNN模型处理长难句，中文WikiEdit数据集显示其句法转换学习能力。
当前技术挑战： 1) 实体抽取中的边界界定（中文F1值较英文低10%）、类型混淆问题 2) 关系抽取的跨文档推理（平均F1约60%）、多元嵌套问题 3) 属性抽取的开放稀疏性（低频属性捕捉困难）、歧义性问题
未来发展趋势： 1) 跨领域低资源场景下的迁移学习 2) 数据集质量深度研究（如TACRED标注错误分析） 3) 与语言模型深度结合（BERT到XLNet的演进） 4) 多模态数据融合（视觉、听觉信息补充） 5) 非正式文本处理（社交媒体文本特征提取）
论文价值： 本文的价值体现在三方面：首先，系统梳理了2018-2025年间信息抽取关键技术进展，涵盖127篇中外文献；其次，首次对比分析了中文与英文数据集性能差异（10%的F1值差距）；最后，提出多模态融合和非正式文本处理的前沿方向，为后续研究提供明确路径。特别指出远程监督方法在减少人工标注成本方面的工程应用价值，以及级联二元标记框架在工业级知识图谱构建中的实践意义。