WordTag-IE（基于中文词类知识的信息抽取工具）是在 WordTag 标注结果之上实现的信息抽取工具，旨在提供一个灵活、可配置，能够精准、全面覆盖简单句式的规则信息抽取工具。我们已提供了通用配置，可覆盖一些常见的抽取句式。用户也可以根据我们提供的配置方法，完成自己的配置，应用于自己的领域、专业文本。其产出数据，可作为模型的训练样本，也可以直接当作挖掘结果使用。
- 灵活、方便的配置，即时生效
- WordTag-IE 是在 WordTag 标注结果的基础上，完全使用规则实现的关系抽取工具。其配置完全基于 WordTag 的词类知识以及 TermTree 中的词表实现，实现了灵活、简单配置，且保证了产出数据的一致性
在 WordTag 的任务中基础上可以打开with_ie 开关即可输出信息抽取的结果, 下面是使用 PaddleNLP Taskflow 使用 WordTag-IE 的使用示例。
>>> from paddlenlp import Taskflow
>>> wordtag_ie = Taskflow("knowledge_mining", with_ie=True)
>>> wordtag_ie('《忘了所有》是一首由王杰作词、作曲并演唱的歌曲，收录在专辑同名《忘了所有》中，由波丽佳音唱片于1996年08月31日发行。')
[[{'text': '《忘了所有》是一首由王杰作词、作曲并演唱的歌曲，收录在专辑同名《忘了所有》中，由波丽佳音唱片于1996年08月31日发行。', 'items': [{'item': '《', 'offset': 0, 'wordtag_label': 'w', 'length': 1}, {'item': '忘了所有', 'offset': 1, 'wordtag_label': '作品类_实体', 'length': 4}, {'item': '》', 'offset': 5, 'wordtag_label': 'w', 'length': 1}, {'item': '是', 'offset': 6, 'wordtag_label': '肯定词', 'length': 1}, {'item': '一首', 'offset': 7, 'wordtag_label': '数量词_单位数量词', 'length': 2}, {'item': '由', 'offset': 9, 'wordtag_label': '介词', 'length': 1}, {'item': '王杰', 'offset': 10, 'wordtag_label': '人物类_实体', 'length': 2}, {'item': '作词', 'offset': 12, 'wordtag_label': '场景事件', 'length': 2}, {'item': '、', 'offset': 14, 'wordtag_label': 'w', 'length': 1}, {'item': '作曲', 'offset': 15, 'wordtag_label': '场景事件', 'length': 2}, {'item': '并', 'offset': 17, 'wordtag_label': '连词', 'length': 1}, {'item': '演唱', 'offset': 18, 'wordtag_label': '场景事件', 'length': 2}, {'item': '的', 'offset': 20, 'wordtag_label': '助词', 'length': 1}, {'item': '歌曲', 'offset': 21, 'wordtag_label': '作品类_概念', 'length': 2}, {'item': '，', 'offset': 23, 'wordtag_label': 'w', 'length': 1}, {'item': '收录', 'offset': 24, 'wordtag_label': '场景事件', 'length': 2}, {'item': '在', 'offset': 26, 'wordtag_label': '介词', 'length': 1}, {'item': '专辑', 'offset': 27, 'wordtag_label': '作品类_概念', 'length': 2}, {'item': '同名', 'offset': 29, 'wordtag_label': '场景事件', 'length': 2}, {'item': '《', 'offset': 31, 'wordtag_label': 'w', 'length': 1}, {'item': '忘了所有', 'offset': 32, 'wordtag_label': '作品类_实体', 'length': 4}, {'item': '》', 'offset': 36, 'wordtag_label': 'w', 'length': 1}, {'item': '中', 'offset': 37, 'wordtag_label': '词汇用语', 'length': 1}, {'item': '，', 'offset': 38, 'wordtag_label': 'w', 'length': 1}, {'item': '由', 'offset': 39, 'wordtag_label': '介词', 'length': 1}, {'item': '波丽佳音', 'offset': 40, 'wordtag_label': '人物类_实体', 'length': 4}, {'item': '唱片', 'offset': 44, 'wordtag_label': '作品类_概念', 'length': 2}, {'item': '于', 'offset': 46, 'wordtag_label': '介词', 'length': 1}, {'item': '1996年08月31日', 'offset': 47, 'wordtag_label': '时间类_具体时间', 'length': 11}, {'item': '发行', 'offset': 58, 'wordtag_label': '场景事件', 'length': 2}, {'item': '。', 'offset': 60, 'wordtag_label': 'w', 'length': 1}]}], [[{'HEAD_ROLE': {'item': '王杰', 'offset': 10, 'type': '人物类_实体'}, 'TAIL_ROLE': [{'item': '忘了所有', 'type': '作品类_实体', 'offset': 1}], 'GROUP': '创作', 'TRIG': [{'item': '作词', 'offset': 12}, {'item': '作曲', 'offset': 15}, {'item': '演唱', 'offset': 18}], 'SRC': 'REVERSE'}, {'HEAD_ROLE': {'item': '忘了所有', 'type': '作品类_实体', 'offset': 1}, 'TAIL_ROLE': [{'item': '王杰', 'offset': 10, 'type': '人物类_实体'}], 'GROUP': '创作者', 'SRC': 'HTG', 'TRIG': [{'item': '作词', 'offset': 12}, {'item': '作曲', 'offset': 15}, {'item': '演唱', 'offset': 18}]}, {'HEAD_ROLE': {'item': '忘了所有', 'type': '作品类_实体', 'offset': 1}, 'TAIL_ROLE': [{'item': '歌曲', 'offset': 21, 'type': '作品类_概念'}], 'GROUP': '类型', 'SRC': 'TAIL'}, {'HEAD_ROLE': {'item': '忘了所有', 'offset': 32, 'type': '作品类_实体'}, 'TAIL_ROLE': [{'item': '忘了所有', 'type': '作品类_实体', 'offset': 1}], 'GROUP': '收录', 'TRIG': [{'item': '收录', 'offset': 24}], 'SRC': 'REVERSE'}, {'HEAD_ROLE': {'item': '忘了所有', 'type': '作品类_实体', 'offset': 1}, 'TAIL_ROLE': [{'item': '忘了所有', 'offset': 32, 'type': '作品类_实体'}], 'GROUP': '收录于', 'SRC': 'HGT', 'TRIG': [{'item': '收录', 'offset': 24}]}, {'HEAD_ROLE': {'item': '忘了所有', 'offset': 32, 'type': '作品类_实体'}, 'TAIL_ROLE': [{'item': '王杰', 'type': '人物类_实体', 'offset': 10}], 'GROUP': '创作者', 'TRIG': [{'item': '专辑', 'offset': 27}], 'SRC': 'REVERSE'}, {'HEAD_ROLE': {'item': '王杰', 'type': '人物类_实体', 'offset': 10}, 'TAIL_ROLE': [{'item': '忘了所有', 'offset': 32, 'type': '作品类_实体'}], 'GROUP': '创作', 'SRC': 'HGT', 'TRIG': [{'item': '专辑', 'offset': 27}]}, {'HEAD_ROLE': {'item': '忘了所有', 'type': '作品类_实体', 'offset': 32}, 'TAIL_ROLE': [{'item': '唱片', 'offset': 44, 'type': '作品类_概念'}], 'GROUP': '类型', 'SRC': 'TAIL'}]]]同时可以通过 schema 来配置相关关系类型, 抽取自定义的关系组合
>>> from pprint import pprint
>>> schema = [
{
"head_role": "作品类_实体", #头实体词类
"group": "创作者", #关系名
"tail_role": [
{
"main": [
"人物类_实体" #尾实体词类
],
"support": [] #相关词类，可作为该关系的补充，不可作为尾实体独立存在
}
],
"trig_word": [
"作词", #触发词，对于没有触发词，而是由头尾实体直接触发的关系，可为null
],
"trig_type": "trigger", #trigger表明由触发词触发，tail表明为尾实体触发
"reverse": False, #是否为反向配置，即尾实体实际是头，头实体实际是尾
"trig_direction": "B", #触发P的方向，表示在自然表达中，尾实体在触发词的哪一边，L为左，R为右，B为双向都有可能，默认为B
"rel_group": "创作" #对应的反关系，即头尾实体对调后，对应的关系，用于逻辑推断
}]
>>> wordtag_ie.set_schema(schema)
>>> pprint(wordtag_ie('《忘了所有》是一首由王杰作词、作曲并演唱的歌曲，收录在专辑同名《忘了所有》中，由波丽佳音唱片于1996年08月31日发行。')[1])
[[{'GROUP': '创作',
'HEAD_ROLE': {'item': '王杰', 'offset': 10, 'type': '人物类_实体'},
'SRC': 'REVERSE',
'TAIL_ROLE': [{'item': '忘了所有', 'offset': 1, 'type': '作品类_实体'}],
'TRIG': [{'item': '作词', 'offset': 12}]},
{'GROUP': '创作者',
'HEAD_ROLE': {'item': '忘了所有', 'offset': 1, 'type': '作品类_实体'},
'SRC': 'HTG',
'TAIL_ROLE': [{'item': '王杰', 'offset': 10, 'type': '人物类_实体'}],
'TRIG': [{'item': '作词', 'offset': 12}]}]]我们提供了配置示例文件demo_config.json，用户可以直接基于这个文件实现自己想要的配置。
我们以“出版方”这个关系为例：
{
"head_role": "作品类_实体", //头实体词类
"group": "出版方", //关系名
"tail_role": [
{
"main": [
"组织机构类"
], //尾实体词类
"support": [
"时间类_具体时间"
] //相关词类，可作为该关系的补充，不可作为尾实体独立存在
}
], //尾实体配置
"trig_word": [
"出版"
], //触发词，对于没有触发词，而是由头尾实体直接触发的关系，可为null
"trig_direction": "L", //触发P的方向，表示在自然表达中，尾实体在触发词的哪一边，L为左，R为右，B为双向都有可能，默认为B
"trig_type": "trigger", //trigger表明由触发词触发，tail表明为尾实体触发
"reverse": false, //是否为反向配置，即尾实体实际是头，头实体实际是尾
"rel_group": "出版" //对应的反关系，即头尾实体对调后，对应的关系，用于逻辑推断
}-
文本中的头实体（head_role）一定在尾实体（tail_role）的前面（即左边），可以通过配置反向标记（reverse）和反向关系名（rel_group）生成反关系
-
两种触发模式：触发词触发（trig_type 为 trigger）和尾实体触发（trig_type 为 tail），两者的触发方向（trig_direction）配置不同
-
触发词的触发方向约束的是文本中尾实体在触发词的左边还是右边，默认是双向触发（B），可以配置向左触发（L）或向右（R）触发，以提升挖掘精度
-
尾实体触发不用配置方向，因为必然在头实体之后
-
使用 WordTag 的标注结果，相当于已实现将无限的词收拢到了有限的词类体系中，而待抽取的关系，则变成了仅发生在词类与词类之间，便可以枚举出来。例如，人物类_实体与作品类_实体之间的关系可以是“创作”，而“创作”的触发词（如作词、作曲、演唱、执导、出演等）或触发 pattern，则可以通过知识库枚举得到，如此，则实现了灵活配置。
那么，接下来一个问题则是，我们如何从现在的序列解析结果中，得到关系三元组数据呢？
要解决这个问题，我们依旧要从中文语言学的成果中寻找答案：中文更偏孤立语，注重意合，依靠词序和词之间的意义联系成句，词性、句法特征弱。也就是说，我们在解析的时候，可以尝试摒弃所谓句法特征，只是从次序上下手。于是，我们发现，只需要覆盖好 SPO 的几种常用表达顺序，单向搜索，即可覆盖大部分简单句。
例如，对于<张艺谋，创作，十面埋伏>这一 SPO 三元组，常用表达顺序有如下几种：
- S-P-O：张艺谋执导了《十面埋伏》。
- S-O-P：张艺谋是《十面埋伏》的导演。
- O-S-P：《十面埋伏》是张艺谋执导的电影。
- O-P-S：《十面埋伏》的导演是张艺谋。
然而，这种模式仍然过于复杂，如遇到多组 SPO 关系并存的文本，如果要完全照顾到这四种表达顺序，则很容易发生混乱，难以得到严格对应的三元组。所以，我们设计了互反关系的概念，即头实体和尾实体对调后，对应的反向关系。例如三元组<张艺谋，创作，十面埋伏>，则存在一个反向三元组<十面埋伏，创作者，三元组>。那么，当我们找到一个头实体之后，只需要考虑它之后的部分（即 S-P-O 和 S-O-P 两种表达顺序）就行了。
另外，我们认为，规范表达中，关系触发和尾实体一定实在同一个短语中出现，所以，触发关系之后，寻找尾实体的过程中，我们仅搜索与触发在同一个短语中的实体及相关元素。
- 实现基于语义结构的抽取，覆盖复杂句式
如果您的工作成果中使用了 WordTag-IE，请增加下述引用。我们非常乐于看到 WordTag-IE 对您的工作带来帮助。
@article{qin2022WordTag-IE,
title={WordTag-IE: a Rule-based Tool for Chinese Information Extraction},
author={Qin, Huapeng and Zhao, Min and Tang, Wei},
technical report={Baidu, Inc. TR:2022-KG-WordTag-IE},
year={2022}
}
WordTag-IE 在持续优化中，如果您有任何建议或问题，欢迎提交 issue 到 Github。