PRGC：一种新的联合关系抽取模型

©NLP论文解读 原创•作者 | 小欣

论文标题：PRGC: Potential Relation and Global Correspondence Based Joint Relational Triple Extraction

论文链接：https://arxiv.org/pdf/2106.09895.pdf

代码：https://github.com/hy-struggle/PRGC

前言

1. 论文的相关背景

关系抽取是信息抽取和知识图谱构建的关键任务之一，它的目标是从非结构化的文本中抽取形如<头实体，关系，尾实体>的三元组数据。通常使用Pipeline方法进行抽取：先对句子进行实体识别，然后对识别出的实体两两组合进行关系分类，最后把存在关系的实体对输出为三元组。但这样的做法存在以下缺点：1. 误差积累，实体识别模块的错误会影响下面的关系分类性能。2. 实体冗余：没有关系的实体对会带来多余信息，提升错误率，同时降低整个抽取流程的效率。3. 信息利用不充分：Pipeline方法中两个子任务相对独立，无法有效利用两个子任务的内在联系和依赖关系。为了缓解Pipeline方法存在的一些问题，联合关系抽取模型应运而生。联合关系抽取模型的设计目的是希望进一步利用两个任务之间的潜在信息，加强实体识别模型和关系分类模型之间的交互。早期的联合关系抽取模型通过模型参数共享、多任务和关系信息融入序列标注等方法进行联合抽取，但取得的效果并不尽如人意。随着CasRel、TPLinker等一系列联合解码模型的提出，联合关系抽取模型开始取得SOTA的效果。

2. 论文主要解决的问题

CasRel、TPLinker等基于联合解码的关系抽取模型在抽取效率上的问题

3. 论文的主要创新和贡献

• 通过将关系抽取拆解为关系判断、实体提取和主客实体对⻬三个子任务，定义了一种新的关系抽取模型方法

• 有助于缓解CasRel、TPLinker等模型存在的关系冗余、主客实体对齐效率低等问题

论文摘要

实体关系联合抽取是信息抽取中的⼀项重要任务。⽬前的联合抽取⽅法已有了相当可观的表现，但仍存在冗余关系预测能⼒差、Span提取泛化不⾜和效率低等问题。本⽂将联合抽取任务分为三个⼦任务：关系判断、实体提取和主客实体体对⻬，进⽽提出了⼀种新的联合抽取模型PRGC。该模型设计了⼀个模块预测潜在的关系，从⽽限制预测规