复杂语境下的实体关系抽取_sequmtree

公众号 系统之神与我同在

本文包括四个部分：

1、任务简介

2、实体关系联合抽取

3、文档级关系抽取

4、总结与展望

实体关系抽取任务介绍

关系定义为两个或多个实体的某种联系

实体关系抽取是自动识别出实体间是否存在某种关系
复杂语境
实体关系联合抽取

·序列标注
·表填充
·序列到序列

联合抽取：序列标注（NovelTagging）

·对每个关系，将其与（Begin，Inside，End，Single）以及头实体和尾实体的序号（1，2）组合
·额外考虑一个Other标签，表示不属于任何一个关系
·如果总共有| |个关系，那么一共有2∗4∗| |+1个标签


实验结果

数据

·使用弱监督的NYT数据集，看做监督数据。
·训练集包括353k个三元组
·测试集包括3880个三元组
·一共24种关系

实验结果

联合抽取：NovelTagging缺陷

联合抽取：序列标注（HTB）

联合抽取：表填充

联合抽取：表填充（多头选择）

联合抽取：序列到序列（CopyRE）

联合抽取：序列到序列（CopyMTL）

联合抽取：序列到序列（Seq2UMTree）

文档级关系抽取

如何有效的学习实体的多粒度表示？

·实体在多个句子提及
·实体指代

如何建模文档内的复杂语义信息？

·逻辑推理、指代推理和常识推理

文档级关系抽取：GCNN

使用图神经网络建模文档 （Word本身作为节点）

·Syntactic dependency edge：句法依赖，也就是使用每一个sentence中的word之间的句法关系建立edge；
·Coreference edge：指代，对于表示同一个含义的phrase，进行连接；
·Adjacent sentence edge：将sentence的根结点鱼上下文sentence的根结点进行连接；
·Adjacent word edge：对于同一个sentence，我们去连接当前word的前后节点；
·self node edge：word与本身进行连接；

在构建好doucment graph的基础上，使 用 GCNN 来计算得到每一个 node representation

多示例学习关系分类

·聚合target entity所有的mention

文档级关系抽取：GCNN实验结果

文档级关系抽取：EOG

Motivation

·现有的方法使用基于图的模型，以实体作为节点，根据两个目标节点来确定实体间的关系。然而，实体关系 可以通过节点间路径形成的唯一的边表示来更好地表达。
·EoG在不同种类节点之间，建立不同类型的边来决定信息流入节点的多少，可以更好的拟合文档之间异构的 交互关系。

EOG实验结果

文档级关系抽取：LSR

Motivation

以往的工作大都通过启发式的方法建立 文档图。
该文提出的模型将图结构视为一个潜在 变量，并以端到端的方式对其进行归纳推理。

LSR实验结果

Double Graph

Double Graph实验结果

总结与展望

联合抽取

序列到序列方法 =》 序列到集合

文档级别抽取

·Mention、实体、句子级别的信息传递=》实体对级别信息
·GNN过平滑、异构图