一句话定义：远程监督（Distant Supervision）是一种用现成知识库（Knowledge Base，KB）给文本自动打标签的方法：如果一句话同时提到知识库里某条关系的一对实体，就把这句话当作该关系的一个训练样本。
打个比方：你拿通讯录给聊天记录自动标注——只要聊天里同时出现你和某人，就标成“同事”。但你们也可能只是同小区邻居，甚至是快递员和收件人。远程监督正是这样“先对齐、再假设”，因此标签量大，但噪声也大。
典型例子：知识库里有“苹果公司—创始人—乔布斯”。那么“苹果公司总部曾展示乔布斯照片”这句话同时出现两个实体，就会被标成“创始人”关系，可它并没有表达创始人关系。噪声主要来自四类：共现不等于关系、实体指代歧义、知识库过时或不完整、实体链接错误。
所以远程监督的关键不是“造标签”，而是“去噪和降权”。常见做法包括：用关系词模式筛一遍；采用多示例学习（Multi-Instance Learning），把一个实体对对应的多句话打包，只挑最可信的句子；给样本设置置信度权重；对高噪声来源降权；保留一小批人工标注的干净数据做验证和校准。工程上还要把实体链接、知识库质量和标签噪声一起看，不能把自动标签当金标准。
| 对比项 | 人工监督 | 远程监督 | 自训练 |
|---|---|---|---|
| 标签来源 | 人工标注 | 知识库对齐文本 | 模型伪标签 |
| 主要优势 | 准 | 便宜、可规模化 | 可利用无标注数据 |
| 主要风险 | 贵、慢 | 噪声大 | 误差累积 |
它和弱监督（Weak Supervision）的关系是：远程监督属于弱监督的一种，特指“用知识库对齐文本”这条路；自训练用的是模型自己的预测，不是外部知识库。对从业者，它适合关系抽取、知识图谱构建的冷启动和数据扩充，但必须配去噪、降权和抽检流程。对普通职场人，记住一句就够：自动打出来的标签只是线索，不是事实，关键场景仍要人工复核。