1 定义与概念
1.1 基本定义
信息抽取是自然语言处理中的一类基础任务，目标是从大量非结构化或半结构化文本中，自动识别并提取出具有明确结构的信息。常见的抽取对象包括实体、关系、事件、属性以及时间、地点等要素。抽取后的结果通常以表格、三元组、知识图谱节点或其他结构化形式呈现，便于后续检索、分析与推理。
1.2 核心目标
信息抽取的核心目标，是将文本中分散表达的知识转化为机器可处理的数据。它既强调“找出是什么”，也关注“它们之间是什么关系”，并尽可能保留上下文中的语义细节。对于实际系统而言，这一过程往往服务于自动化整理、信息聚合和决策支持等用途。
1.3 与相关技术的区别
信息抽取与若干文本处理技术密切相关，但侧重点并不相同。它更强调从文本中提炼结构化事实，而不是单纯判断文本主题或生成自然语言内容。
1.3.1 信息检索
信息检索主要解决“找什么”和“在哪里找”的问题，重点在于从文档集合中定位相关内容。信息抽取则进一步深入到文档内部，识别其中的实体、关系和事件等结构信息。前者偏向召回与排序，后者偏向语义解析与结构化表示。
1.3.2 自然语言理解
自然语言理解关注文本语义的整体把握，包括意图识别、语义推断和上下文理解等。信息抽取可以被视为自然语言理解的一部分，但其输出通常更具体、更可量化，强调从文本中直接获得可记录的事实单元。
1.3.3 知识图谱构建
知识图谱构建依赖信息抽取获取节点、边及其属性，是下游的重要应用方向之一。信息抽取提供原始结构化事实，知识图谱则在此基础上进行融合、规范化和组织，因此二者关系紧密，但不完全等同。
2 发展历程
2.1 规则与模板阶段
早期的信息抽取主要依赖人工编写规则、模式和模板，通过关键词、句式或标点特征匹配目标信息。这类方法实现简单、可控性强，适合特定领域的固定格式文本，但对语言变化较为敏感，迁移能力有限。
2.2 统计学习阶段
随着语料资源增加，研究者开始采用统计方法处理抽取任务。该阶段强调从标注数据中学习概率规律，以减少对人工规则的依赖。统计模型改善了泛化能力，也推动了信息抽取从工程驱动向数据驱动转变。
2.3 机器学习与特征工程阶段
这一时期，信息抽取逐步引入支持向量机、最大熵模型等机器学习方法，并大量依赖特征工程。研究者会设计词形、词性、上下文窗口、句法结构等特征，以提升模型效果。该阶段方法较成熟，但对人工特征设计和领域知识依赖较高。
2.4 深度学习阶段
深度学习推动了信息抽取从“人工特征”向“自动表示学习”演进。模型能够从原始文本中学习分布式表示，减少手工设计成本，并在多项子任务上取得显著提升。
2.4.1 序列标注方法
序列标注将信息抽取问题转化为对每个词或字进行标签判定，常用于命名实体识别等任务。该方法能够较好处理连续文本中的边界识别问题，成为深度学习阶段的重要基础范式。
2.4.2 编码器-解码器模型
编码器-解码器结构可将输入文本映射为目标序列，适用于关系抽取、事件抽取及生成式抽取等任务。此类模型较适合处理复杂输出结构，也为端到端抽取提供了新的实现路径。
2.5 大模型与提示学习阶段
大模型时代，信息抽取逐渐引入提示词、少样本学习和生成式方法。模型可通过上下文示例直接完成抽取任务，在标注资源不足时表现出较强适应能力。同时，这一阶段也推动抽取方式从任务专用模型，走向更通用的统一框架。
3 主要任务
3.1 命名实体识别
命名实体识别用于从文本中识别具有特定类别的实体，如人名、地名、组织机构、产品名称等。它是信息抽取中最基础的任务之一，常被视为后续关系抽取和事件抽取的前置步骤。
3.1.1 人名、地名、机构名
在人名、地名、机构名识别中，系统需要判断词语边界并区分实体类别。例如，文本中的人物、城市、学校或公司名称都可能被识别出来。此类实体通常出现频率高，但也常因上下文而产生歧义。
3.1.2 专有名词与领域实体
在专业场景中，实体类型会扩展为药品名、疾病名、设备名、合同编号等领域概念。相比通用实体，这类对象更依赖行业语境，且命名形式更加多样，因此往往需要专门词表或领域模型支持。
3.2 关系抽取
关系抽取的任务是识别文本中实体之间存在的语义联系，如所属、位于、任职、生产、引用等。它能够将离散实体连接起来，形成更具解释性的结构信息。
3.2.1 实体间语义关系
实体间语义关系通常依赖句内上下文或跨句信息进行判断。系统不仅要识别两个实体，还要判断它们之间是否存在特定关系，以及关系的方向和类型。
3.2.2 三元组抽取
三元组抽取是关系抽取的常见输出形式，一般表示为“实体1—关系—实体2”。这种结构简洁、便于存储，广泛用于知识图谱构建和事实库生成。
3.3 事件抽取
事件抽取旨在识别文本中发生的具体事件，并提取与事件相关的触发词、参与者、时间和地点等要素。相比实体和关系抽取，事件抽取更强调动作、过程及其语义框架。
3.3.1 事件触发词识别
事件触发词通常是提示事件发生的关键词，如“发布”“召开”“发生”等。识别触发词有助于定位事件边界，并推断事件类别。
3.3.2 事件要素抽取
事件要素包括事件中的主体、客体、时间、地点、工具等角色信息。完整抽取这些要素后，事件才能形成较为清晰的结构化表示。
3.4 属性抽取
属性抽取关注实体或事件的附加信息，例如年龄、规格、价格、状态、时间等。它能够进一步丰富抽取结果，使结构化信息更加完整。
3.4.1 实体属性识别
实体属性识别通常围绕某一实体的描述性信息展开，如产品型号、组织规模、人物职务等。属性往往与实体紧密相连，但在文本中不总是以固定模式出现。
3.4.2 数值与时间信息提取
数值和时间信息在很多场景中具有重要价值，例如金额、日期、持续时间、温度或数量。此类信息形式较为规范，但在自然语言中常伴随省略、模糊表达或单位转换问题。
3.5 实体消歧与规范化
实体消歧与规范化用于解决“同名异指”以及“同物异名”的问题，使抽取结果统一到更准确的标准实体上。这一过程对下游知识融合尤为关键。
3.5.1 同名实体区分
同名实体区分是指在上下文中判断两个相同名称是否指向不同对象。例如，某些人名、机构名或地名可能重复出现，需要借助上下文加以辨别。
3.5.2 实体链接
实体链接是将文本中的提及映射到知识库或标准词表中的对应条目。该过程通常结合别名、上下文语义和候选排序，以提高规范化准确率。
3.6 文档级信息抽取
文档级信息抽取不再局限于单句，而是综合整篇文档中的多个句子甚至多个段落进行判断。它能够更全面地处理隐含关系和分散表达的事实。
3.6.1 跨句关系抽取
跨句关系抽取用于发现分布在不同句子中的实体关系。由于相关线索可能被分散表达，这类任务对上下文建模能力要求较高。
3.6.2 跨段落事件整合
跨段落事件整合旨在将同一事件在不同段落中的描述合并，形成完整事件视图。它常用于长文档分析、新闻聚合和报告整理等场景。
4 技术方法
4.1 基于规则的方法
基于规则的方法依赖人工设计的模式、词表和判断条件，能够直接对文本进行匹配与抽取。其优点是解释性强，适合格式相对稳定的场景。
4.1.1 正则表达式
正则表达式适用于识别具有固定格式的信息，如日期、编号、电话号码等。它实现简单，效率较高，但对语义层面的理解能力有限。
4.1.2 词典与模板
词典与模板方法通过预先整理实体词表和句式模板，从文本中匹配目标信息。这类方法在特定领域往往效果稳定，但扩展成本较高。
4.2 基于统计的方法
统计方法通过概率建模刻画文本标注序列或结构之间的关系，能够在一定程度上缓解规则方法的脆弱性。它们通常对特征依赖较明显。
4.2.1 条件随机场
条件随机场常用于序列标注任务，能够同时考虑相邻标签之间的依赖关系。它在命名实体识别等任务中表现稳定，曾长期作为主流方法。
4.2.2 隐马尔可夫模型
隐马尔可夫模型以状态转移和观测概率为基础，适合处理具有顺序结构的数据。虽然表达能力有限，但在早期信息抽取研究中具有代表性。
4.3 基于机器学习的方法
机器学习方法通过监督数据学习分类或判别模型，常结合人工设计特征实现抽取任务。与纯规则方法相比，它们具备更好的泛化能力。
4.3.1 支持向量机
支持向量机适合处理小样本和高维特征问题，曾广泛用于实体识别、关系分类等任务。其优势在于分类边界清晰，但对复杂结构建模能力有限。
4.3.2 最大熵模型
最大熵模型强调在满足已知约束条件下保持分布最均匀，常用于概率分类和序列决策。该方法在信息抽取中具有较强的灵活性。
4.4 基于深度学习的方法
深度学习方法通过神经网络自动学习文本表示，减少了对手工特征的依赖，并提升了复杂语义建模能力。它们已经成为信息抽取的重要技术路线。
4.4.1 循环神经网络
循环神经网络擅长处理序列数据，可捕捉词语之间的上下文依赖。其变体在实体识别和关系抽取等任务中应用广泛。
4.4.2 卷积神经网络
卷积神经网络能够提取局部窗口中的模式特征，适合识别局部上下文和固定搭配。它曾在句子级关系抽取中发挥重要作用。
4.4.3 Transformer
Transformer依靠自注意力机制建模全局依赖关系，在长距离信息捕捉方面表现突出。它已成为当前信息抽取系统中的核心架构之一。
4.5 基于大模型的方法
基于大模型的方法利用预训练语言模型的通用语言能力，通过提示、少样本示例或生成式输出完成抽取任务。该类方法灵活性较高，适合快速适配新任务。
4.5.1 提示词抽取
提示词抽取是通过设计自然语言指令，引导模型识别目标信息。它减少了显式训练需求，但对提示设计较为敏感。
4.5.2 少样本学习
少样本学习依靠少量标注样例完成任务迁移，适用于数据不足或领域变化较快的场景。其关键在于模型的泛化与上下文理解能力。
4.5.3 生成式抽取
生成式抽取将抽取任务转化为文本生成问题，模型直接输出结构化结果或接近结构化的文本。该方法形式灵活，但需要控制输出格式的稳定性。
5 数据与标注
5.1 语料来源
信息抽取的数据通常来自多种文本类型，不同来源决定了文本风格、噪声程度和任务难度。语料质量直接影响模型训练与评估效果。
5.1.1 新闻文本
新闻文本结构相对规范，事实性信息较多，适合抽取实体、事件和时间地点等要素。它常被用于通用抽取研究和基准构建。
5.1.2 学术文献
学术文献包含较强的术语性和逻辑性，适合抽取研究对象、方法、结果和引用关系等信息。其语言风格正式，但结构层次复杂。
5.1.3 业务文档
业务文档包括合同、报告、票据、说明书等，具有明显的领域属性和格式特征。此类文本常用于企业级信息抽取系统建设。
5.2 标注体系
标注体系决定了信息抽取任务的定义方式以及模型学习目标。清晰一致的标注规范是高质量数据集的前提。
5.2.1 实体标注
实体标注主要标出文本中目标实体的边界与类别。标注时需统一命名标准，并明确嵌套、缩略和别名处理方式。
5.2.2 关系标注
关系标注用于记录实体之间的语义联系，通常需同时标明关系类型和方向。其难点在于关系是否显式出现，以及是否需要依赖上下文判断。
5.2.3 事件标注
事件标注通常包含触发词、事件类型和各类角色参数。由于事件结构较复杂，标注规范往往需要更细致的说明。
5.3 数据质量控制
数据质量控制旨在减少标注偏差和样本噪声，提升训练数据的一致性与可用性。它在大规模语料构建中尤为重要。
5.3.1 一致性检查
一致性检查用于发现不同标注者或不同批次标注结果中的差异。通过规则审查和复核机制，可降低标注不统一的问题。
5.3.2 冲突消解
当同一文本出现多个标注版本或语义判断冲突时，需要进行冲突消解。通常会结合标注规范、专家复审和仲裁流程完成修正。
5.4 数据集构建
数据集构建包括语料收集、清洗、标注、划分与发布等环节。一个设计良好的数据集能够更真实地反映目标任务需求。
5.4.1 公开数据集
公开数据集通常用于学术研究和方法比较，便于不同模型之间进行标准化评测。它们在推动任务发展和复现实验方面作用明显。
5.4.2 领域专用数据集
领域专用数据集面向特定业务场景构建，如金融、医疗或法律领域。此类数据集更贴近实际应用，但通用性相对较弱。
6 评估方法
6.1 评价指标
信息抽取常采用精确率、召回率和F1值等指标衡量模型性能。不同指标侧重不同，需结合任务目标综合解读。
6.1.1 精确率
精确率表示模型预测为正确的结果中，真正正确的比例。该指标反映误报控制能力。
6.1.2 召回率
召回率表示真实目标中被模型成功识别出的比例。它衡量模型对信息的覆盖程度。
6.1.3 F1值
F1值是精确率与召回率的调和平均，常用于平衡二者关系。它适合在数据分布不均或目标较复杂时综合评估性能。
6.2 任务级评估
任务级评估从实体、关系、事件等具体任务出发，分别衡量各子任务的表现。这样可以更清楚地定位模型强项与不足。
6.2.1 实体级评估
实体级评估通常考察识别边界和类别是否正确。对于部分任务，还会进一步要求完全匹配或部分匹配。
6.2.2 关系级评估
关系级评估关注实体对及其关系标签是否预测准确。若涉及方向性，方向错误也会被视为判错。
6.2.3 事件级评估
事件级评估通常同时检查触发词、事件类型和要素角色。由于事件结构复杂，其评价标准往往较为严格。
6.3 端到端评估
端到端评估关注系统从原始文本到最终结构化结果的整体效果，而不只看单个子任务。它更接近真实应用场景。
6.3.1 结构化结果正确性
结构化结果正确性强调最终输出的字段、关系和事件结构是否完整准确。它反映系统实际可用程度。
6.3.2 实际应用效果
实际应用效果关注模型在业务流程中的价值，例如检索效率、人工节省程度和信息覆盖率。该指标更强调落地收益。
7 应用场景
7.1 搜索引擎
信息抽取可用于提升搜索引擎对实体、属性和事实的理解能力，从而改善查询理解、结果摘要和知识卡片生成等功能。
7.2 知识图谱
在知识图谱中，信息抽取负责从文本中提炼实体、关系与事件，并将其转化为图结构的基础数据来源。它是知识图谱自动构建的重要环节。
7.3 智能客服
智能客服系统可借助信息抽取识别用户意图、订单号、时间、地点和问题类型，从而提升自动回复与工单分发效率。
7.4 舆情分析
舆情分析需要从大量文本中抽取关键实体、事件和态度线索，以便追踪话题演化、热点聚集和信息传播路径。
7.5 金融风控
金融风控场景中，信息抽取可帮助识别交易信息、主体关系、合同条款和异常线索，为风险识别与合规审查提供支持。
7.6 医疗文本分析
医疗文本分析常涉及病历、检查报告和出院记录等文本，抽取任务包括疾病、症状、药物、检查结果及时间信息等。该场景对准确性和规范化要求较高。
7.7 法律文书处理
法律文书处理依赖抽取案件当事人、时间节点、条款内容和裁判要点等信息，以支持检索、归档和辅助分析。
8 典型挑战
8.1 语义歧义
自然语言中常存在多义词、省略和指代现象，导致同一表达在不同上下文中含义不同。语义歧义是信息抽取中最常见的困难之一。
8.2 长文本与跨句依赖
长文本中关键线索可能分散在不同句子或段落中，模型需要同时处理局部和全局上下文。跨句依赖增加了抽取复杂度。
8.3 领域迁移
模型在一个领域训练后，迁移到另一个领域时往往会因术语、表达方式或数据分布变化而性能下降。领域迁移能力因此成为重要研究方向。
8.4 数据稀缺
高质量标注数据通常成本较高，尤其在专业领域更为明显。数据不足会限制模型训练效果，也增加了少样本方法的需求。
8.5 噪声与缺失信息
文本中常出现拼写错误、格式不规范、上下文省略或信息不完整等问题。噪声与缺失信息会干扰模型判断，降低抽取稳定性。
8.6 可解释性与鲁棒性
在实际系统中，用户通常希望了解模型为何做出某种抽取结果，同时也要求系统在面对新表达和异常输入时保持稳定。可解释性与鲁棒性因此成为评价系统的重要维度。
9 未来发展
9.1 通用抽取能力提升
未来的信息抽取将进一步提升跨任务、跨领域的通用能力，使模型能够以更少的定制成本处理不同类型文本。
9.2 小样本与零样本抽取
随着预训练模型能力增强，小样本与零样本抽取有望在低资源场景中发挥更大作用，降低标注依赖并加快系统部署。
9.3 多模态信息抽取
信息抽取将从纯文本扩展到图像、表格、音频等多模态内容，特别适用于文档理解、票据识别和混合媒体分析。
9.4 人机协同抽取
人机协同模式可将模型自动抽取与人工校正结合起来，在效率与准确率之间取得平衡，尤其适用于高精度要求场景。
9.5 面向行业的定制化系统
面向行业的定制化系统将更强调业务规则、领域知识与模型能力的融合，以满足不同场景下对准确性、可控性和可维护性的要求。