（论文学习笔记）用卷积网络实现实体关系分类

@（论文学习笔记）用卷积网络实现实体关系分类

研究要点

1. 词汇级别和句子级别特征的提取。
2. 卷积神经网络进行名词实体之间关系的分类。

论文所用模型

Relation Classification via Convolutional Deep Neural Network
关系分类的整体模型结构如图：

系统的输入是一个有两个标记名词的句子。然后，通过查找单词嵌入将单词标记转换为向量。接着，分别提取词法特征和句子级特征，然后直接连接形成最终特征向量。最后，为了计算每个关系的置信度，将特征向量输入到一个SoftMax分类器中。分类器的输出是一个向量，其维数等于预定义的关系类型的数目。每个维度的值是对应关系的置信度得分。

词级别的特征提取

词级别特征包括：

两个名词实体的词向量，两个标记名词左右相邻词的，以及标记名词的上位词（WordNet，是一个相关联的词库）拼接起来，作为句子的词汇级别特征。

句子级别特征

词向量特征不能获取长的句子序列特征和语义语序组合性，因此将句子级特征进一步表示为本单词和相邻单词的词向量WF，单词到两个目标名词的距离PF。

PF包含位置信息，在使用时与句子的词向量表示拼接。如图，WF和PF向量输入最大池化的CNN，通过非线性变换得到句子级别的特征。

Experiments

可以看出句子级别特征的加入，对关系分类模型最终的效果有明显提升