<center><b><font color=#A52A2A size=5 >公众号：数据挖掘与机器学习笔记</font></b></center> 信息抽取是知识图谱构建的第一步，其中的关键问题是如何从异构数据源中自动抽取信息得到候选知识单元。知识抽取是一种自动化地从结构化、半结构化和无结构数据中抽取实体、关系以及实体属性等结构化信息的技术。涉及的关键技术包括：实体抽取、关系抽取和属性抽取。

知识表示的五大用途或特点：

[1] 算法/机器学习校招面试题目合集_牛客网 (nowcoder.com)[2] 精华专题_牛客网 (nowcoder.com)[3] songyingxin/NLPer-Interview: 该仓库主要记录 NLP 算法工程师相关的面试题 (github.com)

<center><b><font color=#A52A2A size=5 >公众号：数据挖掘与机器学习笔记</font></b></center> 文本匹配在信息检索、自动问答、机器翻译、对话系统、复述问题等自然语言处理任务上应用广泛。．这些自然语言处理的任务都可以在一定程度上抽象成文本匹配问题，比如信息检索可以归结为查询项和文档的匹配，自动回答可以归结为问题和候选答案的匹配，机器翻译可以归结为两种语言间的匹配，对话系统可以归结为前一句对话和回复的匹配，复述问题则可以归结为两个同义词句的匹配。文本匹配面临的挑战主要来源于以下几个方面：

实体和关系的联合抽取是信息抽取中的一个重要任务。为了解决这个问题，我们首先提出了一种新的标签方案(tagging scheme)，将联合抽取任务转换为打标签(tagging)问题。然后，基于该标签方案，我们研究了不同的端到端模型来抽取实体及实体关系，而不是分开识别实体和关系。我们在一个公开数据集上进行了实验，该数据集是通过远程监督方法产生的。实验表明基于该标签方案的方法比现在大多数pipelined和联合学习(joint learning)方法效果更好。除此之外，论文中提出的端到端模型实现了公开数据集中的最优结果。

事件抽取是把含有事件信息的非结构化文本以结构化的形式呈现出来，在自动文摘、自动问答、信息检索等领域有着广泛的应用。近些年来 ,事件抽取一直吸引着许多研究机构和研究者的注意力。MUC (Message Understanding Conference) 会议、ACE ( Automatic Content Extraction) 会议是典型的含有事件抽取任务的评测会议。在调研中发现，ACE 2005作为论文数据集占据了主流，ACE 2005的事件抽取数据集包括英文、中文和阿拉伯语。事件是涉及参与者的特定发生，事件是发生的事情，事件可以经常被描述为状态的改变。ACE定义中的事件由事件触发词(Event Trigger)和描述事件结构的元素(Argument)构成。事件触发词(trigger)是能够触动事件发生的词，是决定事件

<div align="center"><font size="12">Doc2EDAG: An End-to-End Document-level Framework for Chinese Financial Event Extraction</font></div> 目前大多数事件抽取方法都是在句子级进行事件抽取。然而，句子级事件抽取很难处理当前激增的数据，如金融、司法、卫生医疗等，这些数据中事件论元总是跨句子存在，甚至在同样的文档中存在多个事件。为了解决这些问题，我们提出了端到端的模型：Doc2EDAG,该模型能够生成基于实体的有向无环图来高效处理文档级事件抽取。并且，我们重新设计了不使用触发词进行事件抽取任务，以简化文档级事件标注。为了阐述Doc2EDAG的有效性，我们构建了一个大型真实的金融数据集，该数据集包含了上述提及的挑战。实验分析表明Doc2EDAG的效果优于目前的SOAT方法。

数字化：01编码信息化：一切皆信息