1.介绍

• 做重叠关系的少

• 重叠关系：

  • Zeng et al. (2018) ：seq2seq+强化学习改善提取顺序
  • Fu et al. (2019)：(GraphRel)GCNs将文本建模为关系图

• 以前的做法

  • 将关系当做离散的标签分配给实体对—这个做法对机器学习来说很难
  • 问题
    1. 类别分布不平衡
       • 多数提取出来的实体对之间无关系
    2. 同一实体参与多个有效关系（重叠三元组），分类器可能会混淆
       • 如果没有足够的训练样例，分类器难以区分(!!有的多标签分类难以工作就是因为这个）

• 改变$f(s,o)\to r$（原来的做法）到$f_r(s)\to o$

  • $f(s,o)\to r$:实体对找关系
  • $f_r(s)\to o$：现在，学习关系函数下，给定头实体，预测尾实体
    • 如果不存在尾实体，则无此关系

• 本文做法CASREL

  • 编码器：Bert
  • 序列标注：抽出头实体
  • 关系特定的尾实体标注：对每一个头实体，针对其可能的关系抽取其尾实体$f_r(s)\to o$

• 效果

  • Bert不预训练，效果也最好
  • 预训练了当然更好
    • 有丰富的先验知识

• 贡献

  1. 从新的角度建模了一个通用的重叠关系框架（在设计上就可以用于重叠关系
  2. 模型为Bert+标注：可以使用预训练中的先验
  3. 效果好：F1 增加17.5 30.2（远远优于当前的）

• 一个疑问：对于大多数的头实体和关系而言，尾实体应该是不存在的？也存在一个类别不平衡问题

2.相关工作

• pipeline:有传递误差
• 联合模型
  • 以前：传统的特征工程，手工流程多
  • 神经模型：
    • Miwa and Bansal, 2016
      • 共享实体、关系模型的参数实现联合，无联合解码、流程上仍然是把实体对pipeline到关系抽取中
      • （也有共用解码器的）
      • –并没有学习到实体、关系之间的依赖
    • Zheng et al. (2017)
      • 共用解码器，以统一的模式解码关系和实体
      • 序列到序列的标注问题
    • 以上进展很好，但不能解决重叠关系抽取
• 重叠关系
  • Zeng et al. (2018) ：
    • seq2seq+强化学习改善提取顺序
    • 通过拷贝机制解决
  • Fu et al. (2019)：(GraphRel)
    • GCNs将文本建模为关系图

3.The CASREL Framework

• 在三元组层面上建模

  • 以前的工作都没有：都是单独定义关系和实体，没有在三元组层次上集成

• 最大化的目标函数
  
  

• 公式2：概率的链式法则

• 公式3：利用了一个事实，所有与s相关的关系必然有o，而其他关系则无o。

• 该公式的优点

  • 该似然是开始于三元组级别的，优化也是在三元组级别上
  • 对于复数三元组如何在句中共享实体没有假设，通过设计来处理三元组问题
  • 公式3分解而来的启发：先得到s，再对关系r,找到其对应的o
  • 这种模式：允许一次性提取多个三元组
    • the subject tagger:找到所有的头实体s
    • relation-specific
      object taggers:先再对每一个s，特定于关系，寻找对应关系下，s所对应的o
    • 这两个模块，可以任意替代，但本文中是Bert+binary taggers

3.1 Bert

• 因为输入单句，所以没有sementation embedding
  • 输入
    • 输入嵌入分别是token embeddings（$W_s$), segmentation embeddings 和position embeddings($W_p$) 的总和

3.2 cascade decoder

• Cascade Decoder
  • a subject tagger:抽取头实体
  • a set of relation specific object taggers：对于特定关系，抽取头实体所对应的尾实体$f_r(s)\to o$
    
  • $v_{sub}^k$由实体包含词的token平均获得
    

4.实验

5.结果

• 处理重叠关系上表现优异
• 从$f(s,o)\to o转变到f_r(s)\to o$
• 在处理句内多关系上表现优秀
• 实验效果好

参考

code
论文