關係抽取是自然語言處理和理解的重要任務之一，就是從自由文字中發現實體對（人物、地點、機構、事件）及實體之間的關係。

關係抽取一般採用三元組，（實體，關係，實體）。因此關係抽取是知識圖譜構建的重要環節之一。當前關係抽取已經有了各種方法，如有監督，遠端監督、神經網路的關係抽取方法。本篇部落格則側重於工程應用中實體關係抽取的實現，主要基於Stanford NLP的庫來實現。（見https://nlp.stanford.edu/software/relationExtractor.html），具體的關係抽取的實現方法見課件：https://web.stanford.edu/class/cs224u/materials/cs224u-2016-relation-extraction.pdf。

目前stanford nlp主要支援Live_In, Located_In, OrgBased_In, Work_For, and None.這幾種關係，它們的準確率介紹如下：

Label                           Correct Predict Actual  Precn   Recall  F       Roth/Yih F1
Live_In                         239.0   302.0   521.0   79.1    45.9    58.1    51.6
Located_In                      179.0   212.0   406.0   84.4    44.1    57.9    56.2
OrgBased_In                     169.0   252.0   452.0   67.1    37.4    48.0    51.7
Work_For                        185.0   247.0   401.0   74.9    46.1    57.1    52.0
_NR                             36176.0 37163.0 36396.0 97.3    99.4    98.4
Total                           772.0   1013.0  1780.0  76.2    43.4    55.3

可見關係抽取這一任務還有待改進之處特別多。

測試如下：

（1）　Tim Cook is the CEO of Apple, he replaced Steve Jobs, who died in 2011.

上述例子，沒有發現喬布斯與APPLE之間的關係。

（2）Obama was born in Hawaii. He is our president.

（3）Xi Jinping delivers a report to the 19th National Congress of the Communist Party of China (CPC) at the Great Hall of the People in Beijing

這個例子，做十九大報告的例子相對就不是那麼準確了。

（4）The aircraft, a Hainan Airlines flight with 22 Chinese passengers onboard, arrived at a Antarctic airport after a more than 20-hour journey starting from Hong Kong.