2信息抽取任务
信息抽取任务Information Extraction
信息抽取任务关心四大类对象：
- 实体Entitiy
- 关系Relation
- 事件Events
- 情感Sentiment
实体Entity
一段文字中的人名、地名、机构名等专有名词叫做命名实体，命名实体识别是一个自然语言处理任务，从一句话中自动标注命名实体的位置和类型。
关系Relation
关系代表两个或者多个实体之间的内在关联知识。关系抽取识别命名实体之间的特定关联。
实体和关系知识可以组成知识图谱，知识图谱是一种数据库的格式，可以用图结构表示知识，图中的节点代表实体，节点之间的边代表关系知识。
知识图谱相关的任务
- 实体链接Entity linking：研究如何把文本中的实体和知识图谱中的实体进行关联，有助于更准确理解文本的含义
- 命名实体规范化 Named entity normalization：一个实体可能有多种表示，如USA、The US、The states、America。将多种表示统一成一种形式可以帮助下游任务。
- 链接预测（知识图谱补全）Link prediction（knowledge graph completion）：知识图谱都是不完备的，但是很多知识可以从知识图谱已有的事实中推理得到。知识图谱补全就是通过已有的知识图谱判断事实是否成立的任务。
事件Event
事件有不同的类型，从文本中抽取事件需要关键事件对应的触发词，如外交访问事件与visit有关。一个事件除了触发词还有相关的属性，如访问者、访问对象。
- 事件抽取（Event Extraction）是信息抽取中的一个重要任务，从文本中检测触发词并且判断对应的事件类型和事件属性。
- 新事件探测（New Event detection）通过社会媒体中的文本，自动发现与自然灾害、流行病爆发相关的讨论内容，为防范做准备
- 事实性检测（Event factuality prediction）是判断事件可行程度的信息抽取任务。
- 事件时间顺序推断（Event time Extraction）是从文本的叙述顺序中自动抽取和恢复事件原先的事件顺序的任务
情感Sentiment
- 情感分析（Sentiment classification）：情感分析是信息抽取和数据挖掘中的一个重要的任务，情感分析任务有很多不同的形式，最简单的形式是情感分类，输入一段文字，输出其是正面还是负面的情感。
- 基于对象的情感（Targeted sentiment）：自动从文本中检测命名实体以及其含有的情感
- 基于方面的情感（Aspected-oriented sentiment）：源于商品评论，对一个商品的评价往往包含不同反面的评价，基于方面的情感可以给出比文档级别的情感更丰富的内涵
- 细粒度情感分析（Fine-grained sentiment classification)：包含情感所有者（opinion holder）、情感对象（opinion target）、情感表达短语（opinion expression）和情感极性（opinion polarity）。如
Time blamed Mary for not buying the watch中情感持有者是Tim，情感对象是Mary，情感表达短语是not buying the watch,情感极性是negative。
