---
title: "關係抽取（Relation Extraction）"
slug: relation-extraction
language: zh-TW
source: https://aiterms.tw/terms/relation-extraction
updated_at: 2026-04-29
tags: [自然語言處理, 知識圖譜, 深度學習, 模型訓練, AI應用, 神經網路]
ipas_term: false
---

# 關係抽取（Relation Extraction）

> **你有沒有想過，把一篇文章裡的人名、地名和關係抓出來，其實比只找人名更難？**
>
> 你可以把關係抽取想成在讀文章時，不只知道誰出現了，還要知道誰跟誰有什麼關係。
>
> 它重要是因為知識圖譜、智慧客服和文件分析，都需要把文字變成可查詢的結構資料。
>
> 你可以把它想成一個把抽象概念拉回日常判斷的提示，先知道它解決什麼問題，再看技術細節。

### 容易混淆

> **關係抽取 vs 命名實體識別**
>
> 關係抽取找的是實體之間的關聯
> NER 找的是人名、地名、組織這些實體本身
> 最關鍵的區別是有沒有判斷關係。
>
> **關係抽取 vs 三元組抽取**
>
> 關係抽取常專注在兩個實體的語義關係
> 三元組抽取會進一步整理成主詞、關係、受詞
> 最關鍵的區別是輸出形式是不是固定成三元組。
>

### 記住這句就好

> 先找出人和物，再抓出人和物之間的關係。

### 實際案例

> **知識圖譜整理**
> 把新聞裡的「A 公司收購 B 公司」抽成結構化資料後，系統就能查出誰收購了誰。
>
> **合約審查**
> 把合約中的「甲方委託乙方」抓出來後，法務就能更快比對責任關係。
>

### 算法與應用

> 常見流程是先做 NER，再做關係分類，最後把關係寫回資料庫或知識圖譜。
> 模型可以用規則、傳統分類器或 Transformer，差別在於對上下文的理解深度。
> 資料標註很吃重，因為同一句話可能有多種關係，標準要先定清楚。

### 情境判斷

> **Q1（直覺題）：句子裡先標出「台積電」和「張忠謀」，這一步比較像什麼？**
>
> → 這比較像命名實體識別，還沒進到關係抽取。
>
> **Q2（判斷題）：如果句子裡有兩個人名，但沒有明確寫出兩人關係，能不能硬抽？**
>
> → 不能硬抽，最好標成未知或無關係，因為關係抽取要的是可證明的語義關聯，不是猜測。
>

### 常見問題

> **Q：關係抽取一定要先做 NER 嗎？**
> A：通常會先做 NER，因為先知道實體是誰，後面才比較好判斷它們之間的關係。
>
> **Q：關係抽取常用什麼指標？**
> A：常看精確率、召回率和 F1，因為它既要找得到關係，也要少誤判。
>
> **Q：怎麼提升關係抽取效果？**
> A：除了更好的模型，也要靠更乾淨的標註資料和更清楚的關係定義。
>

### 相關術語

> - **自然語言處理**：自注意力和關係抽取都屬於它的核心範圍。
> - **命名實體辨識**：先找實體，再抓關係，順序很重要。
> - **三元組抽取**：它和關係抽取很接近，常一起出現。
> - **共指解析**：同一個指涉對象常會影響關係判斷。
> - **知識庫**：關係抽取常是建構知識庫的前一步。

---

來源：https://aiterms.tw/terms/relation-extraction
快查頁：https://aiterms.tw/terms/relation-extraction
最後更新：2026/04/29
深度解說：https://aiterms.tw/learning/what-is-relation-extraction