本文的idea主要来源于LSTM+CRF的命名实体识别，在命名实体识别中，可以通过BIO或者BIOSE等标注进行人名、地名、机构名或者其他专有名词的识别，那么把三元组的主语、谓语、宾语（也可理解为：实体-关系-实体）三个部分当成三个需要识别的专有名词，也就可以实现三元组的抽取了，基于此想法，具体实践看看效果。
本文主要基于历史文章中的人物关系抽取，数据来源于 和 /
keras
本次抽取本质上还是基于LSTM的一个分类问题，至于CRF层，完全是为了保证序列的输出严格性，因为CRF对于预测序列有较强的的限制性，比如B-PRESON后面只能为I-PERSON或者O之类的限制。
关于训练数据，未找到合适的标注数据，只能自己标注了，如下：
主要是 低频词过滤,字与id的映射（word2id）、预测类别与id的映射（lable2id） ，具体实现方式各有不同，不做重点讲解，但要特别注意未登录词的处理：
将输入的文本，通过词典，转换成数字序列：
为了保证数据的维度一致，进行句子填充
通过简单的测试结果如下：
比较简单的句子上都能取得比较好的成果，但是由于训练数据不够，还是会出现无法抽取到结果或者抽取错误的情况，比如：
本文主要针对历史故事的人物关系进行抽取，从数据获取，到数据标注，到模型训练。由于时间和人力关系，很多方面都采取了简单模式，比如数据标注，数据量远远没有达到一个量级，比如测试环节，主要还是通过人为观察抽取结果来验证是否准确，无法达到工业级别。但对于三元组的抽取，可以作为一种参考和借鉴。