这一章，我们要介绍关系抽取的背景，即知道什么是知识图谱--关系抽取，以及相关的基本概述。
一、知识图谱
介绍关系抽取前，我们需要了解一下什么是知识图谱，知识图谱最早由谷歌提出，初衷是为了让机器具备推理的能力，让它去“理解”语义层面，提供更好的查询
我们最早的搜索，是输入一个查询词，或者一个词的集合，在数据集中进行匹配，分词，将文档集进行排序，然后返回给用户，当时我们觉得他很有用，但是比如说有这么一个问题，我们想要搜索：
这个问题已经不是以前的关键词匹配所能满足的了，你无法在一篇现有的文章数据中找到这个问题的答案，所以在这个大数据的时代里，我们想要机器去思考语义、推理问题，
再比方说图灵的全名
图灵教育背景
这些都不是返回某篇文档，或者某段话，而是直接将答案返回给我们，就好像你在问一个人，你问他图灵的全名是什么，而不是问一个不会思考的机器，所以我们使用知识图谱希望机器可以思考，可以理解句子
这样，当机器再次被检索到图灵的时候，除了相关网页，还会返回一个“知识卡片”，包含了查询对象的基本信息和其相关的其他对象(艾伦 图灵也简称图灵，在搜索的时候搜索图灵即可获取艾伦图灵的相关内容)。如果我们只是想知道图灵的国籍、年龄、婚姻状况、子女信息，那么我们不用再做多余的操作。在最短的时间内，我们获取了最为简洁，最为准确的信息。这和我们人类看到熟悉的事物，会进行联想和推理一个道理
基于这个知识卡片，我们获得了关于图灵的一系列的知识，我们可以说他像人类一样展开思考，他好像能够理解艾伦图灵与图灵的关系，它能够理解图灵与计算机科学家的联系
所以基于上述因素，我们就得到了知识图谱
A knowledge graph consists of a set of interconnected typed entities and their attributes.
即知识图谱由一些相互连接的实体和他们的属性构成的，里面有更多的知识，知识之间存在联系，存在着思考和联想推理，这种思考其实就是我们经常提到的人工智能，而知识图谱就被誉为人工智能大脑的知识库。
知识图谱综合了众多方面，其中从Web角度看KG，它像建立文本之间的超链接一样，建立数据之间的语义链接，并支持语义搜索。 从NLP角度看，它主要在做怎么能够从文本中抽取语义和结构化的数据。从知识表示角度看是怎么利用计算机符号来表示和处理知识。 从AI角度则是怎么利用知识库来辅助理解人类的语言。 从数据库角度看就是用图的方式存储知识。因此要做好KG要综合利用好KR、NLP、Web、ML、DB等多方面的方法和技术。
二、关系抽取
所以我们自然而然的发现，如果我们想建立这样的一个图谱，我们需要这些圆圈，需要知道这些线上的关联词，知道各种知识的关系，知道他们是不是相关联的，就需要发现“知识”以及知识间的关系，也就是我们称作实体和实体的关系，即知识图谱中的实体抽取和关系抽取。
所以我们可以得到说，关系抽取就是识别出实体和他们之间关系，最终构造出知识图谱来。
最终，我们得到关于关系抽取的定义：
三、关系抽取背景
四、应用
知识图谱在学术界和工业界受到越来越多的关注，现已被广泛应用于智能搜索、智能问答、个性化推荐、内容分发、权限管理，人力资源管理等领域。
针对人工智能领域，知识图谱第一个就是用来搜索，这也是Google提出知识图谱的初衷；第二个就是聊天机器人，第三个就是用来做问答；还有很多私人的助理，比如说苹果手机里的Siri，还有微软的小娜，百度的度秘；同时还有很多的穿戴设备里面也用到了知识图谱相关的技术，比如iWatch；最后一个就是出行的手，国内做的非常好的“出门问问”，它也是用了相关的技术。
接下来我们对各行业中应用做一些简单的描述。
金融行业智能顾投这个听起来非常漂亮，但是目前为止，还很少有成熟的产品出来。国外的kensho做了一些探索，经过我们的分析和学习，应该还远远未达到智能投顾的级别。
生物医学领域还可以做辅助诊疗，即前面提到的IBM Watson， 即根据症状智能开方；同时也可以做相似病例的发现，目前医生在诊断的时候很大程度也是根据历史病例进行参考，因此我们可以利用知识图谱实现相似病例发现。
