论文总结 | Dialogue-Based Relation Extraction

原文链接：https://www.aclweb.org/anthology/2020.acl-main.444.pdf

摘要

• 提出了人工标注的基于关系抽取（RE）数据集对话框，旨在支持对出现在对话中的两个参数之间关系的预测。
• 通过对语料库和传统任务的异同分析，认为说话人相关信息（speaker-relatted information）在任务中起着至关重要的作用。
• 考虑到会话中交流的及时性，我们设计了一种新的度量方法来评估会话环境下RE方法的性能。并研究了几种具有代表性的RE方法的性能。
• 实验结果演示，在性能最好的模型上进行speaker-aware扩展，在标准环境和绘画环境下性能均提升。

1.介绍

主要工作

（1）提出了人工标注的基于关系抽取数据集DialogRE；
（2）比较基于对话的关系抽取任务和传统关系抽取任务的异同。
（3）设计新的度量方法评估交互会话的时效性。
（4）在数据集DialogRE上，使用标准的基于学习的关系抽取技术建立baseline。
（5）证实明确对话者在基于对话的关系抽取任务中的重要性。

2.数据集

数据集源于《Friends》中1788段对话，36种关系类型，10168个关系二元组（subject,relation type,object）。同时，标注了最小文本最小跨度。表1是一段对话的示例。

2.1 关系模式

• 主要关注PER和ORG；
• 由于数据集内容限制，删除SF任务定义的一些关系类型，同时增加一些关系类型，共36种，如表2.
• 

2.2标注

定义

• turn：regard an uninterrupted stream of speech from one speaker and the name of this speaker as a turn.
• dialogue：the shortest snippet of contiguous turns that covers all annotated relational trips and sufficient supportive contests in this scene.

处理

• 如果说话者的全名或者其他名字出现在同一个对话中，我们将对话者作为一个关系元组的参数。如表1中关系R3
• 若一对参数有多种关系，每一个都标注。
• 如果有则标注一个触发词。如R1的触发词为brother，R3无触发词
• 标注反向的关系元组。如表1中R1和R2

2.3 负例生成，数据划分，匿名对话者

• 负例生成？？
• 训练集：验证集：测试集合=6：2：2
• 匿名对话者如表1中S1,S2

3.数据比较与讨论

3.1DialogRE vs SF

3.2DialogRE vs 现存关系元组

3.3触发词

4.模型和方法

4.1基于对话的关系抽取

对话D中，共有m条语句(turn)，表示为：D=s₁:t₁,s₂:t₂,…,s_m:t_m.有参数对(a₁,a₂).
标准模式：
把对话D看作文本d。
输入：a₁，a₂，d
输出：a₁，a₂ 之间的关系
评价标准：F1
会话模式：
把前 i 条语句看作 d 。
L基于整段对话(D)标注的关系集；R表示36种关系集。
定义辅助函数：

$$j(x)=\{\begin{array}{ll}m,& x未在D中出现\\ i,& x在第i条对话中首次出现\end{array}$$
i ( r ) = { j ( λ r ) , r ∈ L , λ r 为 关 系 r 所 标 注 的 触 发 ， 即 关 系 r 的 触 发 词 λ r 首 次 出 现 的 位 置 。 m , r ∈ L 的 其 他 情 况 1 , r ∈ R − L i(r)=\begin{cases} j(\lambda_r), & r\in L,\lambda _r为关系r所标注的触发，\\ &即关系r的触发词\lambda _r首次出现的位置。 \\ m, & r\in L的其他情况 \\ 1, & r\in R-L \end{cases} i(r)=