Nlp 从依赖树中提取（主语、谓语、宾语）

我对从问题中提取三元组（主语、谓语、宾语）感兴趣

例如，我想转换以下问题：

谁是美国总统的妻子

致：

（x，isWifeOf，y）和wedge；（y，isPresidentof，美国）

x和y是我们必须找到的未知数，以便回答这个问题（/\表示连词）

我已经阅读了很多关于这个主题的文章，我想使用现有的解析器（比如斯坦福解析器）来执行这个任务。我知道解析器输出两种类型的数据：

• 解析结构树（选区关系）
• 依赖关系树（依赖关系）

一些论文试图从解析结构树（例如）构建三元组，但是这种方法似乎太弱，无法处理复杂的问题

另一方面，依赖树包含许多相关信息来执行三重提取。很多论文都声称这样做，但我没有发现任何一篇论文明确给出了详细的过程或算法。大多数时候，作者说他们分析依赖关系，根据一些他们没有给出的规则生成三元组

---

有人知道有哪篇论文有更多关于从问题的依赖树中提取（主语、谓语、宾语）的信息吗？

有一个不错的三重提取的实现。它构建在Python中流行的NLP库之上。您似乎对三重提取的底层算法特别感兴趣，因此，查看他们算法的源代码可能会给您一些启示。请参见此处：

这当然是一个有趣的问题，但它并不是堆栈溢出的主题。首先，它太宽泛了（因为可能会有很多很多答案），而对非现场资源、书籍等的请求也特别离题：（从最接近的原因来看）：“要求我们推荐或查找书籍、工具、软件库、教程或其他非现场资源的问题对于堆栈溢出来说是离题的，因为它们往往会吸引自以为是的答案和垃圾邮件。相反，请描述这个问题以及迄今为止为解决它所做的工作。“三元组没有一个标准形式（很多组合都是可能的）。在上面的例子中，”（x，isWifeOf，y）∧ （y，isPresidentof，USA）“优于”（x，isFirstLadyOf，USA）”，因为数据库（如DBpedia）与isFirstLadyOf相比，更可能包含isPresidentof或isWifeOf的条目。第一次，所有更正的三元组都很好……是的，我同意；我的观点是，您的问题没有关于您试图从给定文本中提取哪些三元组的技术规范。这是它太宽和开放的部分原因我的工作是“Projet Pensées Profondes”（Projet Pensées Profondes）的一部分，您可以在本文档中找到更多细节：（第5.1节）。算法（）自从报告发布以来，已经有了很大的改进，我将在几个月后发表一篇文章，介绍改进情况。您提到使用解析树或依赖项解析，在我的研究中，我发现这两种方法通常都很有用。下面我介绍一下我的方法：