模型说明

在文本关系抽取中，我们提供了多种模型进行选择。如果您不知道选哪个，可以选择“关系抽取PCNN”进行尝试，兼顾了运行效率和最终结果。以下是模型的说明，您可以根据自己的具体场景，选择一个更适合的模型。

• 关系抽取PCNN

  • 基于PCNN (Piecewise Convolutional Neural Networks) 分类模型，加入noise converter抗噪模块进行关系分类模型训练，有一定的抗噪能力。相对于基于BERT而言，训练和预测都更快，适用于对效果和训练时间/预测时间要求比较均衡的主要内容是中文的场景。

• 关系抽取Bert

  • 基于BERT从大量无标注语料进行预训练的模型，加入融合实体对信息的模块进行关系分类模型训练。适用于标注数据比较干净，对效果要求较高，对训练时间/预测时间要求不是很高的主要内容是中文的场景。

• 关系抽取BertNoise

  • 基于BERT从大量无标注语料进行预训练的模型，加入融合实体对信息的模块以及抗噪模块进行关系分类模型训练。适用于标注数据不是很干净（带有一些标错或者噪声数据），对效果要求较高，对训练时间/预测时间要求不是很高的主要内容是中文的场景。

• 关系抽取StrcutBERT-split

  • 基于达摩院自研alicemind深度语言模型体系的StructBERT模型，采用实体抽取-关系分类两阶段独立训练策略，耗时较长。

• 关系抽取StrcutBERT-cascade【推荐优先试用】

  • 基于达摩院自研alicemind深度语言模型体系的StructBERT模型，采用实体关系联合抽取策略，耗时更短，综合性能更好，适用于实体标注比较完备的数据。

• UIE小样本实体抽取模型

  • 基于Deberta模型在千万级监督和远监督数据上预训练得到，除关系抽取外，也支持任意多元组集合的抽取，如事件抽取、观点抽取等；可以较好地处理零样本场景下推理（不需要训练数据，直接预测）和小样本场景下fine-tune（经过少量样本，如1，5，10，100条数据训练后再应用预测），同时在全样本场景下fine-tune也具备较明显优势，推理速度较快。