【论文阅读】PRGC: Potential Relation and Global Correspondence Based Joint Relational Triple Extraction

https://arxiv.org/pdf/2106.09895

先指出TPLinker存在的问题：为了避免曝光偏差，它利用了相当复杂的解码器，导致了稀疏的标签，关系冗余，基于span的提取能力差

作者提出新的模型，包括三部分：

1. Potential Relation Prediction
2. Relation-Specific Sequence Tagging
3. Global Correspondence

对于主客体对齐，设计了一个关系无关的全局对应矩阵，用于确定特定的主客体。
给定一个句子，模型先预测一个可能存在关系的子集，以及得到一个全局矩阵。
然后执行序列标注，标注存在的主体客体。
最后枚举所有实体对，由全局矩阵裁剪。
尽管它引入了通常提到的曝光偏差，但是仍有优越性。

编码器

bert

Potential Relation Prediction预测关系

首先预测潜在关系的子集，只需要从这些潜在实体里提取子集。

给定embedding h，潜在关系预测模块如下：