在LLM时代，首先就是用各类GPT来抽取实体关系，包括LightRAG、GraphRAG、Neo4j和LangChain的教程等。这类方法的好处是不怎么训练模型，不需要思考太多只要写Prompt就行。代价是计算成本高、实体粒度定义不清、依赖强模型的指令遵循能力。
其次是一些传统的NLP抽取算法，优势在于速度快，比如各种命名实体识别NER模型
根据词汇资源，命名实体识别涉及的不同技术分为四大类：
3. 基于机器学习的NER：基于机器学习的 NER 方法涉及使用统计模型来识别给定文本文档中的实体。机器学习模型观察文本数据以创建基于特征的实体表示。这些表示允许 NER 系统检测现有实体，即使它们有轻微拼写错误。基于 ML 的 NER 需要对带注释的文本数据进行模型训练。然后使用经过训练的模型来注释新文件。通过这种方式，基于 ML 的 NER 系统可以通过自动演化其实体知识库来进行自我改进。如CRF、BiLSTM
4. 基于深度学习的NER： 如Spacy、BERT
NER的工具：
2. NLTK（自然语言工具包） ：NLTK 是一个用于处理人类语言数据的综合库。它包含用于 NER 的各种工具和模块，尽管与 spaCy 相比，它可能需要更多的手动配置。
3. Hugging Face Transformers：提供预训练模型
4. AllenNLP ：AllenNLP 是一个基于 PyTorch 构建的强大的 NLP 库，为各种 NLP 任务（包括 NER）提供预构建的模型和工具。
5. Flair ：Flair 是一个 NLP 库，可以轻松使用预先训练的词嵌入和最先进的 NLP 模型。它提供了 NER 等任务的功能。
6. Stanford NER ：斯坦福 NER 是一种广泛使用的基于 Java 的工具，还提供 Python 绑定。它使用统计模型来识别文本中的命名实体。
7. UBIAI 通过提供用户友好的界面简化了实体提取过程，使其高效且准确。 UBIAI的自动标记功能允许用户将字典与实体类型相关联，从而促进精确的实体标记和数据的预注释。
8. 其他: AutoNER（7年前）、openie（基于规则）
NER模型缺点在于，它分离了实体和关系的抽取，不够end-to-end。基于统计的NER无法针对语义进行抽取。
一些对比介绍：https://www.youtube.com/watch?v=OsnM8YTFwk4
技术包括
实体链接（https://wikifier.org/about.html）、
实体消歧（https://github.com/SapienzaNLP/extend）、
第二次遍历LLM并要求它执行实体消歧（https://medium.com/neo4j/creating-a-knowledge-graph-from-video-transcripts-with-gpt-4-52d7c7b9f32c）、
基于图的方法（Exploring Supervised Entity Resolution in Neo4j）：如果我们相信两个对象实际上代表相同的底层实体，我们可以用图中的关系来表示它。我将这种成对匹配称为“实体链接”，并用“SAME_AS”关系类型对其进行标记。
可以使用相似性算法KNN、基于Jaccard的节点相似性、实体链接预测等算法进行实体一致性判断，随后通过弱连接组件 (WCC)算法（Weakly Connected Components）进行实体合并
确认两个节点之间关系是否存在以及相关程度高低的方法：利用贝叶斯先验的思想，借用搜索引擎，输入两个待测节点，分析获取到的回传内容（数量），从而判断两节点相关程度。
