A Novel Cascade Binary Tagging Framework for Relational Triple Extraction

Abstract

本文提出了关系三元组重叠的问题（一个sentence中有多个三元组，其中三元组中有的实体是同一个）。本文将其建模为级联二级制框架，从原来的$f(s,o)\to r$从实体对找关系的过程，变成$f_r(s)\to o$给定头实体，针对头实体可能的关系，预测尾实体。即头实体不一定是subject，与multi-QA思想相似。

Model

给定标记好的句子$x_j$，和$x_j$中潜在的重叠实体三元组集 T j = { ( s , r , o ) } T_j=\{(s,r,o)\} Tj​={(s,r,o)}。先找到$s$，再对关系$r$，找到其对应的$o$

Subject Tagger

本文中的subject和object只需找到边界，无需确定类型，首先找到句子中所有的subject，用0,1类别判定，不识边界的用零表示，对于句子中的多个subject会出现多个间隔的1，此时用就进原则，这里并不能解决关系重叠问题啊

Relation-specific Object Taggers

针对每一个subject，遍历多有关系r，为每个关系确定一个object，如果object不存在，则用None表示。与头实体标记器直接解码BERT输出的向量不同，关系特定object标记器也考了头实体的特征

$v_{sub}^k$表示低层模块中的头实体表示向量，为了保持$x_i$和$v_{sub}^k$保持维度一致，如果头实体有多个词语组成，则选择使用$v_{sub}^k$的平均向量。

Result

启示

1. 对于NYT数据集来说，每一个头实体对应20多种关系，要遍历20多遍，想想这个复杂度就让人头疼