Span-Level Model for Relation Extraction论文学习

一、论文

二、概要

• nlp中的实体关系抽取方法总结：https://zhuanlan.zhihu.com/p/77868938
• 联合抽取顺序：片段排列抽取实体，然后提取实体对进行关系分类；

将片段排列方式生成的候选实体span，进行实体类型SoftMax分类；对于候选实体span不为None的实体span组成实体pair进行关系SoftMax分类；
笔者在前文介绍实体重叠问题时，已经介绍了这种基于片段排列的方式，基于片段排列的方式[7]，显示的提取所有可能的片段排列，由于选择的每一个片段都是独立的，因此可以直接提取span-level的特征去解决重叠实体问题。
实体span的编码表示：在span范围内采取注意力机制与基于原始输入的LSTM编码进行交互。

• 存在问题：

对于含T个token的文本，理论上共有 [公式] 种片段排列，计算复杂度极高。如果文本过长，会产生大量的负样本，在实际中需要限制span长度并合理削减负样本。
进行关系判断时，也会造成实体冗余，提高错误率。