每天读一篇文献14--GraphRel: Modeling Text as Relational Graphs for Joint Entity andRelation Extraction

题目：
GraphRel: Modeling Text as Relational Graphs for Joint Entity and Relation Extraction

用于实体识别和关系提取

摘要：

提出了一个端到端的关系提取模型GraphRel，它使用图卷积网络(GCNs)来共同学习命名实体和关系。与之前的基线相比，我们通过一个关系加权的GCN来考虑命名实体和关系之间的交互，从而更好地提取关系。该方法特利用线性结构和依赖结构提取文本的序列特征和区域征，并利用完整词图提取文本中所有词对的隐式特征。使用基于图的方法，对重叠关系的预测比以前的顺序方法有很大的改进。

GraphRel通过叠加Bi-LSTM句子编码器和GCN (Kipf and Welling, 2017)依赖树编码器来学习自动提取每个单词的隐藏特征。然后GraphRel标记实体提及词，并预测连接提及词的关系三联体，其中是第一阶段预测。为了在考虑关系三元组之间相互作用的情况下优雅地预测关系三元组，我们在GraphRel中加入了一种新型的第二阶段关系加权GCN。在实体损失和关系损失的指导下，GraphRel第一阶段沿着依赖链接提取节点隐藏特征，同时建立一个新的具有关系加权边的全连接图。然后，第二阶段的GCN通过对中间图进行操作，在最终对每条边进行分类之前，有效地考虑了实体之间的相互作用和(可能存在的重叠)关系。

挑战：

如何共享共同实体提及的关系。这对重叠关系尤为重要。

研究方法：

图卷积网络对相邻节点的特征进行卷积，同时也将节点的信息传播到最近的相邻节点。通过GCN层的叠加，GCN可以提取每个节点的区域特征。GCN层通过考虑相邻节点的特征来检索新的节点特征。

GraphRel包含两阶段预测的总体架构。

• 在第一阶段，首先使用双向RNN提取顺序特征，然后使用双向GCN进一步提取区域依赖特征。然后，基于提取的词特征，预测每个词对与词实体之间的关系。
• 在第二阶段，根据预测的第一阶段关系，为每个关系构建完整的关系图，并对每个关系图应用GCN来整合每个关系的信息，进一步考虑实体与关系之间的交互。