论文笔记02——Joint Extraction of Entities and Relations Based on a Novel Decomposition Strategy[ECAI2020]

动机

1，解决抽取过程中大量冗余的实体对
2，利用实体对之间的相互关系

摘要

本文首先将联合抽取任务分解为HE抽取和TER抽取两个相互关联的子任务，前者是区分所有可能涉及目标关系的头实体，后者是为每个抽取的头实体识别对应的尾实体和关系。
然后，基于我们提出的基于跨度的标注方案，将这两个子任务进一步解构为几个序列标签问题，并通过分层边界标签器和多跨度解码算法方便地解决这些问题。

想法

1，抽取尾实体和关系时，头实体的信息会有帮助
2，对于一个大任务来讲，分解成小任务会效果更好
3，先抽取头实体，然后抽取关系和尾实体

Methodology

标注方案

对于头实体抽取，分为两个序列标注子任务，第一个识别头实体的起始位置，第二个识别头实体的结束位置.两者的区别在于实体的类型针对尾实体进行标注.
对于关系和尾实体抽取，也是分为两个序列标注任务，第一个标注关系类型为尾实体的起始位置，第二个标注关系类型的结束位置.（相当于进行关系类型的序列标注，然后对标注结果进行最近的合并.
如图：

分层边界标记器（HBT

抽取器封装起来的一个标记器，分两步进行，第一步是提取起始位置，第二步是提取结束位置.（两步在输入上有所区别和特征的扩充）
第一步：

hi是词向量表示，
ai是句子的向量表示
第二步：

pi是位置向量，相对位置生成.
如图：

提取系统

整体框架

HE模块

类比HBT
第一步：hi是经过Bi-LSTM的词向量表示，ai是hi的maxpool结果
第二步：一致
经过HE模块，可以得到头实体及其类型

TER模块

考虑到了头实体起始位置，头实体结束位置，关系表示，起始位置和结束位置的distance，提出了

其中h[h]是该实体起始位置和结束位置的拼接
pi[ht]是相对位置向量

损失函数

两个交叉熵函数之和：Lhe Lter

trick

技巧点就在于如何利用丰富的特征.

这篇好文章是转载于：学新通技术网