信息抽取概论：让机器读懂文本中的事实

人类在阅读文本时，往往会自然而然地把“发生了什么、涉及谁、地点与时间在哪里、结果如何”等关键信息组织成可推理的事实；而对机器而言，原始文本只是字符序列，若没有进一步的结构化过程，文本中的事实难以被计算、检索与验证。信息抽取（Information Extraction, IE）研究的核心目标，正是把自然语言文本中隐含的事实转化为可操作的数据结构，使机器能够在大规模语料上进行统计、关联、追踪与推断，从而服务于监测、决策与自动化知识生产。

一、信息抽取的研究对象：从“文本”到“事实单元”

1.1 何谓“可计算的事实”

在信息抽取语境下，“事实”并不等同于哲学意义上的真理判断，而是指：文本中可被明确定位、可被形式化表示、并可用于后续计算任务的信息片段。常见的事实单元包括：

• **实体（Entity）**：人名、机构、地名、药物、设备型号等可指称对象。
• **属性（Attribute）**：实体的特征或状态，如“年龄=45”“风险等级=高”“故障码=P0171”。
• **关系（Relation）**：实体之间的语义关联，如“任职于”“收购”“位于”“适用于”等。
• **事件（Event）**：具有触发词、参与者与时间地点等要素的动态事实，如“融资”“交通事故”“不良反应发生”“设备停机”。

为了让事实可计算，信息抽取通常把结果映射到结构化表示。例如，将一句话：

> “2024年5月，甲公司以3亿元收购乙公司70%股权。”

抽取为事件或关系的结构化记录（示意）：

• 事件：`收购(收购方=甲公司, 被收购方=乙公司, 金额=3亿元, 股权比例=70%, 时间=2024年5月)`

进一步抽象地，可以用元组来表示事实单元。以关系型事实为例，可表示为： $$ f = (s, p, o, c) $$ 其中 $s$ 为主语实体（subject），$p$ 为谓词/关系（predicate），$o$ 为宾语实体或属性值（object），$c$ 为上下文（context），可包含时间、地点、来源文本片段、置信度等。引入上下文 $c$ 的原因在于：文本事实往往具有时效性与条件性，“谁在什么时候以什么身份做了什么”比“谁做了什么”更接近可用的业务事实。

> 术语提示：事实单元（Fact Unit） > 在本书中，“事实单元”指信息抽取输出的最小可用结构化对象。它可能是一个实体、一个关系、一个事件或一个带属性的记录，关键在于可被唯一定位到文本证据，并可被后续系统消费（检索、统计、推理或告警）。

1.2 信息抽取的输入与输出边界

信息抽取的输入通常是非结构化或弱结构化文本，例如新闻、研报、社交媒体、电子病历、政务材料、维修工单等；输出则是结构化或半结构化结果，例如 JSON 记录、表格、知识图谱三元组、事件模板填充结果等。

需要强调的是，信息抽取并不试图“理解一切”。它的边界常由任务定义决定：

• **以“证据对齐”为边界**：抽取结果应能回指到文本证据（字符跨度、句子或段落），便于审计与纠错。
• **以“结构可用”为边界**：输出必须符合预先约定的数据结构或模式（schema），才能进入下游系统。
• **以“可规模化”为边界**：在大规模文本上可批处理或流式处理，满足时效与成本约束。

这也解释了为何信息抽取在工程上常与“规则”“模型”“人机协同标注”并存：真实文本分布复杂，完美的端到端理解并非必要，可控、可审计、可迭代往往更重要。

二、信息抽取与相邻任务的关系：相似而不同

信息抽取经常与信息检索、文本分类、问答系统、知识图谱构建等任务一起出现。它们都处理文本，但关注点与产出形式差异显著。厘清这些差异，有助于正确选型与合理评估。

2.1 与信息检索（IR）：从“找文档”到“找事实”

• **信息检索**的典型目标是：给定查询，返回相关文档或段落（排序问题）。
• **信息抽取**的典型目标是：给定文本，输出结构化事实（解析问题）。

二者在系统中常呈“串联关系”：检索负责把候选文本从海量语料中找出来，抽取负责在候选文本里把细粒度事实拆出来。例如，舆情系统中先检索“某公司 + 暴雷”相关内容，再抽取“事件类型=债务违约”“金额”“时间”“主体”等。

> 对比要点 > IR 的核心挑战是相关性与覆盖率；IE 的核心挑战是结构化的准确性与可回溯证据。

2.2 与文本分类：从“给标签”到“填结构”

文本分类通常输出离散标签（如正负面、主题类别、是否违规），而信息抽取输出可变长度的结构（多个实体、多条关系、多事件要素）。二者常互补：

• 分类可作为抽取的**前置路由**（仅对“投诉类”文本做细粒度事件抽取）。
• 抽取结果可反哺分类作为**可解释特征**（例如“提及药物+不良反应”提升风险分类可信度）。

2.3 与问答（QA）：从“一问一答”到“可复用知识”

问答系统面向用户问题，输出答案片段或生成式回答；信息抽取面向文本输入，输出可累积、可复用的事实库。工程上常见两种组合：

1. 抽取增强问答：先把语料抽成知识库，再对知识库做问答，提升可控性与可解释性。 2. 问答替代抽取（有限场景）：对少量问题直接做抽取式 QA，但当问题集合扩展、需要统计汇总或长期积累时，仍会回到结构化抽取。

2.4 与知识图谱构建（KG）：抽取是“上游生产线”

知识图谱可视为结构化事实的组织方式（实体-关系-实体、实体-属性-值等），而信息抽取是将文本事实转化为图谱元素的关键上游环节。但 KG 构建还包含更多步骤：实体消歧、对齐融合、冲突消解、版本管理与质量评估等。换言之：

• **IE 解决“从文本到候选事实”**
• **KG 解决“从候选事实到一致知识”**

在许多行业落地中，IE 的输出并不一定进入“完整图谱”，也可能进入表格、指标库或事件库。关键在于：输出结构要与业务消费方式对齐。

三、任务谱系：信息抽取到底包含哪些子任务

信息抽取并非单一算法，而是一组相互依赖的子任务。理解任务谱系，有助于在需求、数据、评估与系统架构之间建立对应关系。

```mermaid graph TD A[原始文本] --> B[预处理/分句/分词] B --> C[实体识别 NER] C --> D[实体链接/消歧 EL] C --> E[关系抽取 RE] C --> F[事件抽取 EE] F --> G[事件要素填充/模板填充] E --> H[知识图谱/事实库] G --> H H --> I[检索/统计/风控/问答/告警] ```

3.1 实体识别（NER）：结构化的入口

NER 的目标是识别文本中属于特定类别的实体边界与类型。例如在金融场景中识别“公司”“金额”“日期”“评级”；在医疗场景中识别“疾病”“药物”“检查指标”。NER 的难点往往不在模型结构，而在：

• **类别体系定义**：类别过粗无法支撑业务，过细则标注成本高且一致性差。
• **边界一致性**：例如“上海市浦东新区张江镇”是否整体作为地点实体。
• **领域术语与缩写**：例如工业文本中型号、代码、英文缩写大量出现。

3.2 关系抽取（RE）：连接实体形成可查询事实

关系抽取识别实体对之间的语义关系。例如：

• “甲公司—收购—乙公司”
• “药物A—导致—不良反应B”
• “设备X—位于—产线Y”

关系抽取通常依赖于实体识别的结果，但也可能端到端联合建模。工程上常要处理的现实问题包括：跨句关系、否定与假设语气（“未发现…关联”）、以及同一关系在不同表述下的归一化。

3.3 事件抽取（EE）：把“发生了什么”拆成要素

事件抽取比关系更“动态”：不仅要识别事件触发词（如“收购”“起火”“确诊”“停机”），还要抽取角色与属性（参与者、时间、地点、原因、结果等）。事件抽取的价值在于可用于时序追踪、风险预警与结构化报告生成。

一个常见的事件模板可以抽象为： $$ e = (\text{type}, \text{trigger}, \{\text{role}_i : \text{arg}_i\}, c) $$ 其中 $\text{type}$ 为事件类型，$\text{trigger}$ 为触发词，$\text{role}_i$ 为角色名，$\text{arg}_i$ 为对应论元，$c$ 为上下文（来源、时间、置信度等）。

3.4 开放式抽取与基于模式的抽取：两种路线

• **开放式信息抽取（Open IE）**：不预设固定 schema，尽可能抽取“主谓宾”结构，适合探索性分析与冷启动，但结果噪声与归一化成本较高。
• **基于模式/模板的抽取（Schema-based IE）**：预定义字段与约束，抽取质量可控、易落地，但覆盖面受 schema 限制，需要持续迭代。

在行业实践中，“先开放探索—再固化 schema”是较常见路径：先用开放式或弱约束抽取发现高频事实形态，再将其沉淀为稳定模板，以降低长期维护成本。

四、典型应用场景：从“能抽取”到“能用”

信息抽取的价值不在于展示模型指标，而在于能否与业务流程对接。以下场景在实践中尤为常见。

4.1 舆情与合规：把“热度”变成“可核查事件”

舆情系统面对的文本通常数量大、噪声高、传播快。许多组织不仅关心“是否负面”，还关心“负面因何而起、涉及哪些主体、是否已经澄清、是否扩散到监管层面”。信息抽取可支持：

• 风险事件模板：`舆情事件(主体, 事件类型, 指控点, 来源, 时间, 传播渠道, 处置进展)`
• 多源对齐：将新闻、公告、社交媒体的同一事件对齐，形成事件链。

案例一：谣言与澄清的事件链抽取（示意） 某公司被传“裁员30%”。系统先对相关文本进行实体识别（公司名、比例、时间），再抽取事件类型（裁员传闻/澄清公告），并将“传闻—澄清”建立关联。这样，业务侧可以直接看到“传闻首次出现时间”“官方澄清发布时间”“传播峰值区间”，而不是在海量文本中人工翻找证据。

> 实践要点 > 舆情抽取需要特别重视“来源可信度”和“否定/澄清语气”的识别，否则容易把辟谣文本误当作负面事实，导致告警误报。

4.2 金融风控：把“文本信号”转为“风险因子”

在信贷、投研、反欺诈等场景中，文本（公告、研报、新闻、诉讼文书）是重要的非结构化信号源。信息抽取常服务于：

• **主体风险画像**：诉讼、被执行、行政处罚、股权冻结等事件要素化。
• **交易与关联关系**：股权控制、担保关系、供应链关系抽取，辅助识别风险传染路径。
• **异常解释**：当模型给出“高风险”结论时，用抽取到的事件证据解释原因，提高可解释性与可审计性。

案例二：诉讼文书的要素抽取（示意） 对裁判文书进行事件抽取，结构化字段包括：案由、原告/被告、法院、涉案金额、判决结果、生效时间等。结构化后可以做跨案件统计（某主体近一年涉诉次数、败诉率、金额分布），并与授信审批流程联动：当“涉案金额超过阈值且近三个月新增案件”触发规则时，系统自动提示复核。

4.3 医疗与药物警戒：从病历叙述中提取临床事实

医疗文本（电子病历、检查报告、不良反应报告）术语密集、表达不规范、否定与不确定性频繁出现。信息抽取可用于：

• 病历结构化：症状、体征、诊断、用药、检验指标。
• 不良反应事件：药物—反应—时间—严重程度—处理措施。
• 临床路径分析：患者就诊过程的关键节点抽取。

案例三：不良反应（ADR）抽取的“否定与时序”问题（示意） 文本：“服用A药后出现皮疹，停药两天后缓解。否认呼吸困难。” 抽取时必须区分“发生的反应（皮疹）”与“否认的症状（呼吸困难）”，并保留时序（停药两天后缓解）。这类细节决定了抽取结果能否用于药物警戒与因果分析。

4.4 政务与公共治理：面向“规范文本”的模板化抽取

政务文本（政策文件、通报、规范性文件）语言相对规范，但结构复杂、条款层级深。信息抽取常用于：

• 政策要素抽取：适用对象、申报条件、补贴额度、办理流程、时限。
• 监管通报结构化：事件主体、违法类型、处罚依据与结果。
• 办事指南自动生成：从条文抽取流程节点与材料清单。

4.5 工业知识管理：把一线记录转为可复用经验

工业场景中，维修工单、巡检记录、故障日志蕴含大量“隐性知识”。信息抽取可用于：

• 故障事件库：设备、故障现象、故障码、原因、处理措施、停机时长。
• 经验复用：相似故障检索与推荐处理方案。
• 质量追溯：将异常事件与批次、供应商、工艺参数关联。

> 行业观察（概括性数据） > 多数组织的关键知识并不缺少，而是“沉在文本里”。在典型企业内容系统中，非结构化文本常占据主要比例；但真正可直接用于统计与决策的数据字段往往有限。信息抽取的工程意义，在于用可控成本把“文本存量”转化为“结构化增量”，并持续积累可复用的事实资产。

五、如何评价信息抽取系统：不仅是准确率

信息抽取的经典评价指标来自信息检索与分类：精确率（Precision）、召回率（Recall）与 $F_1$ 值： $$ P=\frac{TP}{TP+FP},\quad R=\frac{TP}{TP+FN},\quad F_1=\frac{2PR}{P+R} $$ 其中 $TP$ 为抽对的事实数量，$FP$ 为误抽数量，$FN$ 为漏抽数量。

但在真实系统中，单一 $F_1$ 往往不足以刻画“可用性”，还需要考虑：

• **证据可回溯性**：每条抽取结果能否定位到原文片段，便于复核与纠错。
• **一致性与归一化**：同一实体/事件是否在不同文本中被稳定表示（别名、缩写、单位换算）。
• **时效性与吞吐**：流式舆情、告警系统对延迟敏感；批处理知识库更关注成本。
• **错误代价不对称**：风控场景中漏报与误报的成本不同，指标权重应贴合业务损失函数。
• **可维护性**：schema 变更、领域迁移、数据漂移时，系统能否以可接受成本迭代。

> 方法论提示：从“模型指标”到“业务指标” > 评价应从业务闭环出发：抽取结果进入何种决策？对误差容忍度如何？是否需要人工复核？这些问题决定了抽取系统该追求“更高 F1”还是“更可审计、更可控”。

六、三件套出版形态下的阅读与使用方式：为人读，也为机器用

本书同时面向纸书阅读、电子版交互阅读与 Markdown 结构化使用。三种形态并非简单的格式转换，而是围绕“知识消费方式”的不同进行组织优化。

6.1 纸书：强调层次、引用与稳定版式

纸书适合系统学习与反复精读，其组织原则通常是“章节—小节—段落”的层次递进。为便于离线阅读与学术引用，纸书版会突出：

• **明确的目录层级**：章节编号、小节编号稳定，便于定位。
• **术语一致性**：同一概念使用统一中文译名与缩写。
• **可引用的结构**：图表、公式与定义具有稳定编号（在排版阶段生成），便于引用与讨论。

阅读建议：纸书更适合“从头到尾”的线性阅读，尤其在理解任务谱系、评估框架与方法论时，连续性带来的认知收益更高。

6.2 电子版：强调超链接、检索与侧边信息

电子版适合“按需查找”和“跨章跳转”。因此电子版会强化：

• **超链接索引**：术语首次出现处可链接到术语表或相关章节；跨章引用通过链接跳转。
• **脚注与侧边栏**：补充工程细节、常见误区、延伸阅读建议，避免打断主线叙述。
• **多媒体扩展（可选）**：对工具链、标注示例、可视化演示提供外部链接，支持进一步探索。

阅读建议：电子版更适合在实际项目中“边做边查”，例如设计 schema、选择评估指标、处理否定与不确定性等问题时快速定位相关段落。

6.3 Markdown：强调语义结构、可解析性与二次加工

Markdown 版本的目标是成为“可供程序与智能体处理的结构化文本”。为此，本书在 Markdown 写作中遵循以下可机器理解的约定（贯穿全书）：

• **标题层级规范**：使用 `##/###/####` 形成稳定层级，便于自动生成目录树与导航。
• **术语块与定义块可抽取**：使用引用块强调术语与方法论提示，利于自动汇总。
• **图表可解析**：使用 Mermaid/PlantUML 代码块表达流程与结构，便于生成图形或被工具提取为图数据。
• **公式可复用**：关键指标与模型目标用 LaTeX 表达，便于复现与引用。
• **列表结构化**：要点以列表组织，利于信息抽取与自动摘要工具识别。

一个实际的工作流是：团队把 Markdown 版导入知识库或文档系统，通过标题层级生成导航；再利用脚本抽取“术语提示”“方法论提示”“评估公式”等块，形成项目内的规范清单与检查表。

> 侧边栏：为什么“为机器写”不会损害可读性 > 结构化写作并不意味着机械化。恰当的标题层级、清晰的定义块和可解析图表，既提升人类读者的理解效率，也降低机器处理成本。对于信息抽取这样强调“结构”的主题，写作形式与内容目标是相互一致的。

七、小结：本章要点与后续展开

信息抽取关注的是把文本中的事实转化为可计算、可回溯、可复用的结构化单元；它与信息检索、分类、问答与知识图谱密切相关但边界清晰：检索“找文本”，抽取“找事实”，图谱“管知识”，问答“面向问题”。从任务谱系看，实体、关系与事件构成主干，schema 的选择决定了落地的可控性与维护成本；从应用看，舆情、风控、医疗、政务与工业知识管理等场景共同呈现出对“证据对齐、时效与审计”的强需求。最后，三件套出版形态要求我们同时满足深度阅读、交互检索与机器可解析三种使用方式，而这也与信息抽取“将非结构化转为结构化”的主题形成呼应。

下一步需要回答的问题是：在给定任务定义与数据约束后，如何设计一个可落地的信息抽取系统（从 schema 设计、数据标注、模型选择到部署评估）？这将成为后续章节的核心主线。