关系抽取方法：

1、早期：

1.1 基于规则的方法：人工定义抽取抽取规则，与语料进行匹配，抽取关系。
规则一般由领域专家构建，用来描述两个实体所在结构。
1.2 基于本体的方法：（本体是实体的上一级，比如周杰伦演唱了歌曲，本体是歌手）——可能有误

2.传统ML阶段

根据对数据是否标注，分为：有监督、无监督和半监督的方法。开展过程如下：
首先学习过程，预处理样本为纯文本形式，对文本进行分析，建立关系抽取模型，在对测试文本进行训练。

2.1 在有监督中，主要是：
基于核函数的方法：如最短依存树法，输入句法结构树，隐式计算特征向量的内积，选择合适的核函数（卷积树核函数、），比较关系实例的相似性。
基于特征的方法：选择的特征主要有：词特征、上下文特性、位置特征、语义特征，构成特征向量，通过分类模型，如SVM（支持向量机、）VB（朴素贝叶斯）、MI（最大熵）进行关系分类。
2.1 在半监督方法中，是利用少量标注的数据训练大量未标注的数据，得到新的关系实例，扩充语料库。主要有：
自举方法
bootstrap
label propagation(标注传播）
2.3 在无监督中，则是通过聚类的思想将上下文信息相似的实体聚成一类，选择合适的词语标记实体间的关系，之后，自动抽取实体间语义关系。

3 深度学习阶段

主要分为监督和远程监督两类：
3.1 在监督学习中，开始是以pipeline方法为主，将实体抽取与关系抽取作为两个独立的任务完成，主要出现了CNN、RNN、Bi-LSTM等方法，将句子S，分词为[w1,w2,w3…]并通过词嵌入表示为词向量等形式，作为模型的输入，通过卷积、池化抽取主要特征，经过softmax得到关系概率。
3.2 另外一种，则是joint 方法，主要有
基于序列标注的方法：将句子进行标注，如BIOS等方式，利用端到端的模型，同时抽取出关系和实体。
基于共享参数的方法：在编码阶段，实体实体和关系抽取采用共享参数，如在编码阶段，可以使用公用的embedding 和LSTM对句子编码，在解码时，可以使用LSTM进行实体识别，使用CNN关系抽取。
基于图的方法：（待补充）

3.3 远程监督
假设一个实体对之间是某种关系，则包含这个实体对的所有句子都传达了这种关系。存在噪声数据和误差传播的问题，在解决上，一般采用注意力机制的方法。

4开放领域关系抽取