从生物医学文献中抽取药物间交互反应信息的实验性研究，赵江，兰曼，第一届药物间交互作用信息抽取竞赛（The first Challenge of Drug-Drug Interaction Extraction）主要任务是从包含药物名的句子（即这些句子已经有��

分享教程——动手学关系抽取-知识图谱基础篇，2020年11月录制，知识图谱技术是人工智能技术的重要组成部分，以结构化的方式描述客观世界中的概念、实体及其间的关系。知识图谱技术提供了一种更好的组织、管理和理解互联网海量信息的能力，将互联网的信息表达成更接近于人类认知世界的形式。关系抽取作为知识图谱构建与使用关键技术之一，一直受到众多研发人员追捧。本套课程基于Pytorch1.5版本来实现关系抽取任务，延续动手学系列课程风格，全程手敲代码

生物医学实体关系抽取是生物医学文本挖掘领域的一项重要任务,它可以自动从生物医学文本中挖掘实 体间的相互关系 目前,生物医学实体关系抽取方法一般只针对某一特定任务(如药物关系,蛋白质交互关系抽取 等)训练单任务模型进行抽取,忽略了多个任务之间的相关性 因此,该文使用基于神经网络的多任务学习方法对 多个生物医学关系抽取任务间的关联性进行了探索 首先构建了全共享模型和私有共享模型,然后在此基础上提 出了一种基于Attention机制的主辅多任务模型 在生物医学领域关系抽取的5个公开数据集上的实验结果表 明,该文的多任务学习方法可以有效地在学习任务之间共享信息,使得任务间互相促进,获得了比单任务方法更好 的关系抽取结果

运行该项目的模型训练和模型预测脚本需要准备BERT中文版的模型数据，下载网址为： 。   利用笔者自己收集的3881个样本，对人物关系抽取进行尝试。人物关系共分为14类，如下： { "unknown": 0, "夫妻": 1, "父母": 2, "兄弟姐妹": 3, "上下级": 4, "师生": 5, "好友": 6, "同学": 7, "合作": 8, "同人": 9, "情侣": 10, "祖孙": 11, "同门": 12, "亲戚": 13 }   人物关系类别频数分布条形图如下：   模型结构： BERT + 双向GRU + Attention + FC   模型训练效果： # 训练集(train), loss: 0.0260, acc: 0.9941 # 最终测试集(test), loss: 0.9505, acc:

关系抽取数据集

我们提供NYT数据集，该数据集一共包含233081实体对，由FreeBase对齐，关系数量为57（如果使用53关系的可自行过滤多余的关系及句子）。

远程监督可以为关系抽取任务自动构建数据集，缓解了人工构建数据集的压力和成本，为自动关系抽取的实现奠 定基础，然而使用远程监督方法构建的数据集存在错误标注以及长尾问题，严重影响关系抽取性能。

此文档为博士论文，全面介绍了对中文自然语言进行处理的一些技术

农业知识图谱(AgriKG)：农业领域的信息检索，命名实体识别，关系抽取，智能问答，辅助决策

本文回顾了现有的RE方法，分析了当前面临的关键挑战，为更强大的RE指明了希望的方向，希望我们的观点能够推动这一领域的发展，激励社会做出更大的努力。