EACL 2021
https://github.com/lavis-nlp/jerex
目录
提出基于参考解析的多任务学习方法,实现端到端联合关系抽取。
提取文档中的实体集合,并用多实例学习预测实体集合之间的关系。
在关系抽取时,提出新的方法:
将全局级别的实体表示和局部级别的提及表示相结合。
模型分为四部分:
1.Entity Mention Localization
用span的方法抽取文档中的实体,相比于BIO的方法,它更能检测重叠实体。
对实体span做max-pooling得到初步的span表示。
提及分类器采用下面的式子。
把span表示 e ( s ) e(s) e(s)以及span大小的embedding w k + 1 s w^s_{k+1} wk+1s拼接起来,送入两层的前馈神经网络,用Relu激活后送入sigmoid二分类,来获得s构成实体的概率。
对所有长度小于等于L的span都进行该分类,超过阈值就认为存在该实体。
2.Coreference Resolution
一对实体提及对的表示是这样构造的
把span表示 e ( s 1 ) 、 e ( s