远程监督思想的首次提出是用于解决生物信息领域问题的^[25]，经过发展，Mintz等^[20]首次将远程监督方法应用到关系抽取的任务中。远程监督的思想主要是利用给定的知识库D和语料库C，其中，知识库D中包含大量的关系三元组(e₁,r,e₂)，其中， r∈R（R为关系类型集合），(e₁,e₂)是具有关系r的实体对。远程监督的方法将D与C对齐，在C中任何包含知识库中的关系三元组中的一对实体的句子都认为能够表达 D 中三元组中实体对之间存在的关系事实。

例如，Mintz等^[20]将Freebase作为结构化的知识库，对于Freebase中关系实例的每个实体对，他们将维基百科中所有包含这些实体对的句子找出来，并且从中提取出相应的文本特征来训练关系分类器。但是这个远程监督的假设过于强烈，会在训练数据中引入大量的噪声数据。此后，一些研究^[26,27]通过多示例学习（MIL,multiple instance learning）来放松远程监督的假设。相较于有监督学习中输入的一系列被单独标注的示例，在MIL中，输入的是一系列被标注的“包”，每个“包”都包括许多示例。当包中的所有示例都是负例时，这个包会被标注为负包。而当包中至少含有一个正例时，这个包会被标注为正包。当收到一系列被标注的包时，分类器会学习出：1) 归纳出一个类别概念以便正确标注个别示例；2) 在归纳之外学习怎样去标注一个包。在多示例学习指导下的远程监督关系抽取模型中，假设在实体对(e₁,e₂)的所有共现句中至少有一个共现句能够表示这2个实体间的关系。于是，将同一个实体对的共现句放到同一个包中，如果包中至少含有一个正例，就标记为该关系的正例。而一个标记为负例的包中则全是不能表达该关系的句子。多示例学习的方法通过在训练过程中学习到同一个正例包中句子之间的互补性信息，能够一定程度地缓解远程监督的噪声数据带来的错误标记的问题。

句子的句法结构描述了句子中的短语结构、依存结构及其功能。依存结构分析是句法结构分析的一个重要方面，它通过分析语言单位内成分之间的依存关系揭示其句法结构，主张句子中核心谓词是支配其他成分的中心成分，而其本身却不受其他任何成分的支配，所有受支配的成分都以某种依存关系从属于支配者^[28]。对于关系抽取来说，由于句子中的命名实体必定是作为一个短语结构出现在依存结构中的，那么这种依存关系也必然会反映出相应实体之间的关系特征^[29]。

例如，“这是王磊与赵娟 11 岁的大女儿多多，大名叫王思南。”其中，文分词和句法分析结果如图2 所示。从图2 可以看出，人物实体“王磊”和关系词“女儿”存在着定中关系，关系词“女儿”与核心谓词“叫”存在着主谓关系，而核心谓词“叫”与人物实体“王思南”之间又存在着动宾关系，通过这样的句法依存分析可以发现，人物实体“王磊”与“王思南”都是依存于关系词“女儿”的。进一步，通过“王磊”与“赵娟”之间的并列关系，又可以得到人物实体“赵娟”与“王思南”之间与关系词“女儿”的依存关系。

与以上例句的分析结果类似，对依存句法分析的结果进行大量研究后发现，核心谓词对获取实体边界、承接实体关系起着关键作用。句子中命名实体分别与核心谓词、普通谓词的平均距离有明显差异。所以，在自然语言文本句子中，实体与核心谓词的距离也是实体之间的一种隐含关系特征。

本文实验涉及2个部分的实验数据。关系知识库的数据是从 650 万个百度百科词条中直接爬取的2 500万个中文三元组。语料库的自然语言文本语料为全网新闻数据，其中，涵盖了若干新闻站点在2012年6—7月国内、国际的新闻真实语料。

实验中使用远程监督技术构建了包含104 593个句子的弱标签数据集。其中，80%的弱标签数据（83 675个句子）用作训练数据，剩下的20% （20 919个句子）用作测试数据。本文实验选择5种常见的人物关系进行实验，分别为夫妻、父子、母子、兄弟、姐妹。表1展示了弱标签数据集的数据分布。

得到远程监督产生的弱标签数据以后，在进行关系抽取实验前，应当对实验数据进行预处理。数据预处理的目的是通过自然语言工具对语料中的句子进行处理，以得到词性标注、依存关系分析等结果。实验采用的是HanLP汉语言处理包来进行中文的自然语言处理，其结果将作为特征表示以及向量生成的基础。

由于中文文本表达的多样性，应当尽可能地挖掘出实验数据中对于关系分类有帮助的句子，过滤掉其中的噪声。例如，对于关系“夫妻”来说，在自然语言文本当中含有“配偶”“夫妇”“妻子”“丈夫”等词语的句子对于训练关系“夫妻”的抽取模型更有帮助。因此，基于同义词词林扩展版构造了对应关系的关系词词典 dic(r_word)，针对远程监督的强假设下产生的关系实例包中的弱标签正例实验数据，进行了进一步的去噪处理。引入 TF-IDF 来计算语料库中每一个句子分词后词语w的权值为

其中，n_ws是词w在句子s中出现的次数，而分母${\displaystyle \sum _k{n}_{ws}}$ 则是句子 s 中所有词的出现次数之和，也是句子 s 的总词数，$\left|S\right|$ 是训练语料中的句子总数， $\left|\left\{j:w\in s,s\in S\right\}\right|$则是训练语料中所有包含词语 w的句子数目。

由此可见，tf 值通过统计词语的归一化词频来反映词语的重要性。然而，某些情况下，一些通用的高频词语对于反映句子的主题并没有太大的作用，反倒是一些频率较小的词更能表达句子的主题。所以，还需要词语的idf值通过统计包含该词语的句子数与训练语料中句子总数的关系来体现词语的主题类别区分能力。因此，TF-IDF值通过综合 tf 值和 idf 值的大小，可以判断当前词反映本句子主题类别的程度。基于此特性，计算出句中词语 w 的 TF-IDF 值之后，保留其中值最大的3个词语放入集合W中，并与相应的关系词词典dic(r_word)匹配。

其中，sen表示语料库中的句子，W[i]∈sen表示从句子sen中提取出的集合W中的元素。若匹配结果发现TF-IDF值最大的3个词至少有一个在关系词典中，则将包含该词的句子保留为该关系的正例，否则此句子为噪声，将其过滤。

在通过远程监督自动产生了弱标签的训练数据，并且经过去噪处理后，接下来从标记为正例和负例的自然语言句子中获得分类器的输入特征。自然语言文章结构一般有语素<词语<句子<段落几个层级。比词语更细粒度的语素特征，表达语义特征不明显，存在大量干扰杂音，因此不选取。比句子更高层的段落特征，目前，还没有好的方法标注段落特征，因此也未选取。本文模型中的分类器选择的多因子特征为词法特征因子和句法特征因子。词法因子是以词为对象，研究句子中词语的形成和用法，包括词法、词性以及词语的位置等信息。通过统计句子中的词法因子可以反映出句子的组织规律。而句法因子是以句子为对象，研究句子的构成和功能。句法分析将输入句子从序列形式变成树状结构，从而可以捕捉句子内部词语之间的搭配或修饰关系，得到句子的浅层语义分析结果。最后，形成了多因子特征向量feature=(dis,order,vn,parsing_r,p_dis,context)。

3.3.1 词法因子向量

自然语言文本中，词语之间的位置、顺序以及词语的词性都能够反映出句子的重要信息。因此，从词语的维度出发，选择了以下词法因子构成特征向量。

1) 距离特征（dis）：研究表明^[15]，距离更近的 2 个实体之间存在实体关系的可能性更大。因此，本文将2个人物实体在句子中的词距作为距离特征。

图4中的点（5,0.792 3）表示2个实体之间的词距小于或等于5时的关系实例总数占总关系三元组数的79.23%。从图4可以看出，开始阶段随着词距的增大，关系三元组的数目急剧增大。但是当词的数目超过5时，随着实体之间词距的增大，关系三元组数量的增加幅度越来越小。这也就说明了距离较近的2个实体更可能存在关系。

2) 相对位置特征（order）：相对位置指的是 2个人物实体e₁和e₂在句中的前后顺序。由于某些人物关系是单向性的，因此人物实体的相对位置对于实体对关系的判断十分重要。本文中，该特征的取值分别为1（e₁和e₂的前后顺序与知识库中的顺序一致）、0（e₁和e₂的前后顺序与知识库中的顺序不一致）。

3) 词性特征（vn）：在人物关系抽取中，能够表示人物关系的词语通常是名词或动词。因此，对于语料库中句子特征的构建来说，名词和动词比其他词语更为重要。通过统计分词后句子中的动词和名词的数量，并进行归一化处理，从而衡量动词和名词对于人物关系判断的影响。

3.3.2 句法因子向量

从第 2 节的依存句法分析相关知识可以了解到，通过对句子进行依存分析所得结果的语块以及语块之间的依存关系，可以直接反映实体间的语义关系。因此，从句子的句法分析结果出发，选择以下句法因子构成特征向量。

1) 句法依存关系特征（parsing_r）：由于人物实体将会作为短语结构出现在依存结构中，这些短语结构间的依存关系必然会反映出相应实体之间的关系特征。因此，通过获取实体对每个实体在句子中所属的句法关系依存值来反映人物实体间的关系。

2) 实体与核心谓词之间的距离特征（p_dis）：根据命名实体识别和句法依存分析的结果，计算出人物实体与核心谓词之间的词距。

3) 实体上下文特征（context）：实体的上下文可以直接反映句子的信息。从图4可以得知，0.792 3的关系实例都可以在实体之间得到。除此之外，实体对左右两侧的内容同样重要。因此，通过TF-IDF计算所得到的权值，将人物实体对的上下文信息加入分类特征中。取n为实体对左右两侧的词语数目，从语料库中抽样统计得到表2。从表2可以看出，随着 n 的增大，获得的信息也就更多，因此能在此范围内获得关系三元组的句子也就越多。但是n大于2以后的增幅并不明显，而 n 越大计算的开销则呈指数级增加。因此，本实验中取n=2，即将句中人物实体的前2个词和后2个词的信息也加入分类特征。

为了验证人物社会关系抽取模型在不同关系上的性能，针对5种人物关系的抽取结果进行了对比。图5的纵坐标是每种关系抽取结果的P、R以及F₁值的数值大小，纵坐标是对应表1中的关系类型编号，其中，最后一组展示的是人物抽取模型的3项指标的平均值。从表1可以发现，知识库中含有关系“夫妻”的三元组是最多的，这就直接影响到了实验的最终结果。实验结果显示，在所有关系中，关系“夫妻”的抽取模型的结果是最好的。同样地，关系“姐妹”在知识库中的三元组数量是最少的，其抽取结果也是所有关系中最差的。这是容易理解的，因为知识库中含有的知识越全面，能够从语料库的关系实例中学习到的该关系特征就会越多，那么对于后续关系识别的指导作用就越大。

另外，为了验证本文模型提出的针对关系正例包中的进一步除噪操作的有效性，本文实验还进行了有无除噪操作的关系抽取系统的性能对比。图6展示了除噪前后系统的性能对比，其中，横坐标同图5，表示的是与表1 对应的关系类型编号，最后一项表示的综合5种关系类型的F₁值的平均值，纵坐标表示的是抽取结果的F₁值。从图6可以看到，进行了除噪操作的关系抽取系统的性能相较于未进行除噪操作的系统的性能有了进一步的提升，这证明本文提出的基于 TF-IDF的关系指示词发现的去噪方法对于远程监督的关系抽取而言是有效的。

为了验证各特征因子对于人物社会关系抽取模型的有效性，对每一项特征因子对于关系抽取的作用都进行了因子叠加实验，共6组实验。第一个实验选取的特征是距离特征，第二个实验特征是在实验一的基础上加入了相对位置特征。依次类推，后一个实验是在前一个实验的基础上增加了一维特征。性能比较平均值如表3所示，其中，P表示准确率，R表示召回率，F₁表示F₁值。

从表3 结果来看，随着特征的增加，关系抽取的性能越来越好。这反映了分类器中输入的关系描述数据的信息越多，分类器的学习能力就会越好，那么在分类的时候就更容易获得好的结果。但是，仔细分析发现，整个特征中，动词和名词特征的加入对于关系抽取的性能提升作用并不是很大。经过分析认为，可能仅仅统计句子中的动词、名词的数量并不能很好地反映某关系在句子中的存在。例如，“李明梦想着成为郎朗那样的人，要知道郎朗毕业于美国柯蒂斯音乐学院，他不仅是国际著名钢琴家，还是联合国和平大使。”这句话中动词和名词的数量很多，但是并不能反映 2 个人物实体之间的关系。另外，还观察到，当加入句子的依存句法分析特征以后，关系抽取系统的性能得到了明显的提升。所以，在人物关系抽取的任务中，发现和理解自然语言文本中的语义才是抽取人物关系的关键。

为了验证本文模型对于新关系的适应性，在不需要其他任何额外操作的情况下，利用以上的人物关系抽取模型进行新关系（“朋友”“同事”）的抽取实验。

新人物关系抽取结果如表4所示。从结果来看，关系“朋友”的抽取结果要优于关系“同事”的抽取结果。经分析发现可能有以下原因：1) 统计发现知识库中含有关系“朋友”三元组为56 557组，而关于“同事”的三元组为48 623组，因此关系“朋友”能够从知识库中学到的关系特征更全面，从而达到更好的关系抽取效果；2) 关系“同事”的表述相对关系“朋友”的表述更加隐晦，在很多句子中可能只是描述2个人物实体在同一机构中一起工作的事实，而没有具体的关系描述词，例如，“李明和赵西一起迈入公司的大门，开启一天的工作。”在这句话中，模型中的词法特征和句法特征实现的浅层的语义分析并不能得到2个人物实体是“同事”关系的有效特征。因此，在关系分类器的学习过程中，关系“同事”的无效训练数据可能更多，因而抽取效果不太理想。

当前针对中文文本的基于远程监督的人物关系抽取研究中，还没有一个标准的数据集用于对比实验。但是，从目前的研究现状来看，中文知识库大多都是基于中文百科构建的，语料库大多采用新闻数据构成，这说明此情况下，通过远程监督技术将知识库和语料库对齐所产生的训练数据并不会有太大差异。因此，在相似数据下，可以将本文模型与其他相近研究进行对比。

标签传播模型（2015年）^[23]和模式聚类模型（2017 年）^[24]都是在中文文本下，基于百科知识库和新闻数据，采用远程监督技术产生训练数据的人物关系抽取模型。不同的是，标签传播模型采用的是基于人物对间相似度计算的标签传播方法来进行人物的关系抽取，模式聚类模型则采用句子模式聚类的方法进行远程监督数据的过滤以后再进行人物关系的抽取。实验结果对比如表5所示。从实验结果来看，标签传播模型的准确率明显低于后两者的准确率，这说明对远程监督产生的弱标签训练数据进行过滤处理，对人物关系抽取结果的准确性很有帮助。另外，模式聚类模型采用的模式匹配方法在召回率上的结果不如本文模型，这说明使用特征抽取的方法进行关系分类，能在保证准确率的同时提高系统的召回率。综合对比发现，在大规模真实数据集上的实验结果表明，本文模型结果优于其他同类型的人物关系抽取模型。