ACL 2018论文解读 | 基于路径的实体图关系抽取模型

在碎片化阅读充斥眼球的时代，越来越少的人会去关注每篇论文背后的探索和思考。

在这个栏目里，你会快速 get 每篇精选论文的亮点和痛点，时刻紧跟 AI 前沿成果。

点击本文底部的「阅读原文」即刻加入社区，查看更多最新论文推荐。

这是 PaperDaily 的第 104 篇文章

本期推荐的论文笔记来自 PaperWeekly 社区用户 @hawksilent。本文是曼彻斯特大学发表于 ACL 2018 的工作，文章提出了一种新的基于图的神经网络关系抽取模型。

文章在没有使用任何外部工具的情况下，在 ACE 2005 数据集上对模型进行了测试，并将结果与 SPTree 系统进行了对比。实验结果显示，这篇文章提出的模型与当前最先进的 SPTree 系统相比，两者的性能没有明显的统计学差异。

如果你对本文工作感兴趣，点击底部阅读原文即可查看原论文。

关于作者：卢靖宇，西安电子科技大学硕士，研究方向为自然语言处理。

■ 论文 | A Walk-based Model on Entity Graphs for Relation Extraction

■ 链接 | https://www.paperweekly.site/papers/2289

■ 作者 | Fenia Christopoulou / Makoto Miwa / Sophia Ananiadou

引言

当一句话中存在多种关系时，不同关系之间往往会存在一定的联系，即目标实体对的关系可能会受到同一个句子中其他实体间关系的影响。例如，如下图中虚线所示：“Toefting”既可以通过介词“in”以直接的方式与 “capital”建立关系，也可以通过“teammates”以间接的方式与“capital”建立关系。

因此，在进行关系抽取（RE）时需要同时考虑这些关联关系，借此来对实体之间的依赖关系建模。然而，现有的大多数 RE 模型在抽取关系时往往会忽略不同关系间的这种关联性。

针对这一情况，这篇文章提出了一种基于实体图的神经关系抽取模型，该模型用图的方式来表达一句话中多个实体间存在的多种关系。句子中的实体被表示为图中的节点，实体间的关系则构成图的定向边，模型用一个实体及其上下文来初始化一条边，这样，任意两个实体之间就会形成由多个边连接组成的、长度不等的多条路径。模型通过迭代的方式，将两个实体之间多条路径逐渐聚合为一条直连路径，该直连路径即对应于实体关系的最终表示。

本文的创新点和贡献主要有以下三个方面：

1. 提出一种基于路径的神经图模型，能够处理一句话中存在多种实体及多个关系的关系抽取任务；

2. 提出一种迭代算法，可以将两个实体之间多个不同长度的路径融合为一条直连路径；

3. 通过实验证实，文章提出的模型在不使用任何外部句法工具的情况下，即可达到与当前最先进算法相近的性能。

模型

文章提出的模型由 5 层组成，如下图所示：