论文阅读：BERT-Based Chinese Relation Extraction for Public Security

模型框架

包含一个BERT模型层（嵌入+编码+池化->得到句子的特征向量）、一个Dropout层（防止过拟合）。

基于BERT的预训练模型

BERT模型是通过注意力机制对训练集进行处理。然后，通过Embedding层和Encoder层加载预训练的词向量。 最后，Pooling 层使用 BERT 模型来训练两个句子。

BERT嵌入层

输入层中，输入数据首先通过BERT嵌入部分，将每个单词转换为\(embedding_{word}\)、\(embedding_{position}\)和\(embedding_{token_type}\)。

\[E = embedding_{word} + embedding_{position} + embedding_{token_type}. \]

实体对位置嵌入：在使用令牌级别特征提取句子后，实体对以矩阵的形式嵌入了位置信息。（对角线为位置信息的单位矩阵）
然后，将句子的特征向量矩阵与新生成的实体对位置矩阵相乘，就可以得到带有实体对位置信息的句子特征向量。

BERT编码层

BERT使用Transformer Encoder作为语言模型，Transformer模型采用Attention机制来计算输入和输出之间的关系。（Q、K、V）

BERT池化层

这是一个激活函数，它执行线性处理并使用 Tanh（） 来池化 BERT 编码器的输出：

\[P = MA_{pool}^T + b_{pool} \]

\[W_{token} = tanh(P) = \frac{e^P - e^{-P}}{e^P + e^{-P}} \]

Dropout层

然后进行dropout - layerNorm - ReLU -线性操作。

数据集

一种面向中国文学文本的话语级命名实体识别与关系抽取数据集：Xu J, Wen J, Sun X, et al. A discourse-level named entity recognition and relation extraction dataset for chinese literature text[J]. arXiv preprint arXiv:1711.07010, 2017.

Hou J, Li X, Yao H, et al. BERT-based Chinese relation extraction for public security[J]. IEEE Access, 2020, 8: 132367-132375.