关系抽取综述
关系抽取中两种类型的模型：
joint模型：
将实体识别等任务与关系抽取一起完成
多任务学习（共享参数的联合抽取模型）
- 多头选择：构建 × × 的关系分类器对每一个实体pair进行关系预测（N为序列长度，C为关系类别总数），输入的实体pair其实是每一个抽取实体的最后一个token。后续基于多头选择机制，也有paper引入预训练语言模型和bilinear分类。
- 层叠式指针标注：将关系看作是SPO（Subject-Prediction-Object）抽取，先抽取主体Subject，然后对主体感知编码，最后通过层叠式的指针网络抽取关系及其对应的Object。
- Span-level NER：通过片段排列抽取实体，然后提取实体对进行关系分类。
结构化预测（联合解码的联合抽取模型）
结构化预测则是一个全局优化问题，在推断的时候能够联合解码实体和关系（而不是像多任务学习那样，先抽取实体、再进行关系分类）。结构化预测的joint模型也有较多，比如统一的序列标注框架、多轮QA+强化学习等，不过有的联合解码方式通常很复杂。
代表模型
- Casrel（级联二进制标记框架）
注意点：处理重叠问题（指针标注方法），下图为各类重叠问题：
模型结构：
相关博客：CASREL Framework for Relational Triple Extraction - 知乎 (zhihu.com)
2. TPLinker（Token Pair Linking）
关注点：全局优化（采用联合序列标注方法）
结构：
pipeline模型
将实体识别与关系抽取分开来做
在《A Frustratingly Easy Approach for Joint Entity and Relation Extraction》文章中给出了比较详细的介绍：
（1） 实体和关系模型的上下文表示本质上捕获不同的信息，因此共享它们的表示会损害性能。
（2） 在关系模型的输入层融合实体信息（边界和类型）至关重要。
（3） 利用跨句信息在上两项任务中都很有用。
针对于pipeline模型作者主要做出了3个方面：
（1）提出了一种模型PURE
（2）解释了PURE为什么效果会好，其优点有哪些
（3）高效近似方法提高速度
浙公网安备 33010602011771号