在文本關系抽取中，我們提供了多種模型進行選擇。如果您不知道選哪個，可以選擇“關系抽取PCNN”進行嘗試，兼顧了運行效率和最終結果。以下是模型的說明，您可以根據自己的具體場景，選擇一個更適合的模型。

• 關系抽取PCNN

  • 基于PCNN (Piecewise Convolutional Neural Networks) 分類模型，加入noise converter抗噪模塊進行關系分類模型訓練，有一定的抗噪能力。相對于基于BERT而言，訓練和預測都更快，適用于對效果和訓練時間/預測時間要求比較均衡的主要內容是中文的場景。

• 關系抽取Bert

  • 基于BERT從大量無標注語料進行預訓練的模型，加入融合實體對信息的模塊進行關系分類模型訓練。適用于標注數據比較干凈，對效果要求較高，對訓練時間/預測時間要求不是很高的主要內容是中文的場景。

• 關系抽取BertNoise

  • 基于BERT從大量無標注語料進行預訓練的模型，加入融合實體對信息的模塊以及抗噪模塊進行關系分類模型訓練。適用于標注數據不是很干凈（帶有一些標錯或者噪聲數據），對效果要求較高，對訓練時間/預測時間要求不是很高的主要內容是中文的場景。

• 關系抽取StrcutBERT-split

  • 基于達摩院自研alicemind深度語言模型體系的StructBERT模型，采用實體抽取-關系分類兩階段獨立訓練策略，耗時較長。

• 關系抽取StrcutBERT-cascade【推薦優先試用】

  • 基于達摩院自研alicemind深度語言模型體系的StructBERT模型，采用實體關系聯合抽取策略，耗時更短，綜合性能更好，適用于實體標注比較完備的數據。