텍스트에 있는 Named Entities간 의미적인 관계를 찾고(detection), 그것들을 분류(classification) 함

relational triple을 가지고 대용량의 지식을 축적할 수 있다면, 이를 QA나 다른 응용에 사용할 수 있음
→ 하지만 이러한 방식은 느리고 비용이 비쌈
text의 relational triple을 추출하여 knowledge base construction 을 빠르게 하는 것
unstructured text에서 structured knowledge를 추출하는 것
Intelligent assistants
사실기반의 지식에 대해 질문에 대한 대답을 하기 위해 knowledge based KB (수천개의 관계, 수만개의 개체명, 수십억개의 개별 지식을 포함하는)에 의존함
Building ontologies

새로운 게임은 계속 등장하고 ontology를 업데이트를 해야함
사람들이 게임에 쓴 것들을 보고 대분류와 소분류와의 관계, 카테고리와의 관계를 relation extraction으로 처리
Gene regulation
Hand-built patterns
extract pattern을 정의함
한계: 대부분의 문장은 다양성의 속성으로 인해 이러한 간단한 패턴에 맞춰지지 않음

→ 정의한 패턴을 바탕으로 문장을 찾음
아래의 문장들과 같은 예가 있음

Supervised Learning
labeling examples, train a classifier

위의 세개는 positive example, 아래 두개는 negative example
positive example의 단어들에 더 높은 weight 부여
→ 한계: labeling에 시간과 비용이 큼
Distant supervision
derive labels automatically from an existing knowledge base(KB)
assume sentences with related entities are positive examples
assume sentences with unrelated entities are negative examples

→ training data를 무료로 얻을 수 있음
한계: 이러한 예측이 신뢰할만한가?
related entities를 가진 모든 문장이 항상 진짜 positive example인 것은 아님
→ 잘못된 레이블이라면 그 데이터는 노이즈임
→ 하지만 많은 양의 데이터에서 얻는 이점이 노이즈가 있는 데이터에서의 손해보다 더 많음
Need an existing KB to start from
→ 처음부터 아무것도 없는 채로 시작할 수 없음
CNN 방법