三元函数的几何图形一般是_ACL2020论文分享：一种新颖的级联二分类标注框架进行实体三元组抽取...

1 前言

今天分享2020ACL会议一篇关于实体关系抽取的paper，论文的题目为：A Novel Cascade Binary Tagging Framework for Relational Triple Extraction。论文主要目的解决实体关系中关系重叠的问题，创新之处是抛开之前先实体识别，然后关系分类的方法，而采用概率建模方式，一步步级联的方式抽取三元组，这样避免了先前方法存在的问题(两两匹对的方式进行关系预测造成大量噪声和计算复杂性)，而是直接建模预测，提高任务识别的简洁性和准确性。其中在实体识别上采用了二分类的标注方式也是论文的一个亮点。论文下载地址https://www.aclweb.org/anthology/2020.acl-main.136.pdf，源码开源地址为:https://github.com/weizhepei/CasRel

2 About Relational Triple Extraction

所谓的实体关系抽取(RE)就是判断一段文本中实体之间存在何种关系，关系一般是事先定义好的。如下图：

文本中存在三个实体[“九玄珠”、“众横中文网”、“龙马”]，其中“九玄珠”与“众横中文网”存在“连载网站”的关系，“九玄珠”与“龙马”存在“作者”的关系，[“连载网站”,“作者”]为关系集合。这样任务在学术上可以表示为：Input：sentenceOutput：(s,r,o)其中 (s, r, o)是三元组形式，s是subject(主实体)，o是object(客实体)，r是relation(两个实体之间的关系)，(s, r, o)可以理解的“s的r是o”。一般情况，r是预定好的，组成一个关系集合。该任务的意义是：抽取关系三元组是构建知识图谱的一个核心环节。

3 Problems in RE Task

根据上面介绍，可能有人觉得RE Task没有多复杂，难度系数较低。而现实情况中，RE task存在的问题远远不是上面定义所能概括的，其复杂性有以下几个方面：
   (1) 可能出现“一个s、多个(r, o)”的形式，比如“《战狼》的主演包括吴京和余男”，那么要抽出“(战狼, 主演, 吴京)”、“(战狼, 主演, 余男)”；
   (2) 可能有“多个s、一个(r, o)”甚至是“多个s、多个(r, o)”的样本，比如“《战狼》、《战狼2》的主演都是吴京”，那么要抽出“(战狼, 主演, 吴京)”、“(战狼2, 主演, 吴京)”；
   (3) 同一对(s, o)也可能对应多个r，比如“《战狼》的主演和导演都是吴京”，那么要抽出“(战狼, 主演, 吴京)”、“(战狼, 导演, 吴京)”；
   (4) 极端情况下，s、o之间是可能重叠的，比如“《鲁迅自传》由江苏文艺出版社出版”，严格上来讲，除了要抽出“(鲁迅自传, 出版社, 江苏文艺出版社)”外，还应该抽取出“(鲁迅自传, 作者, 鲁迅)”。
上面4条是RE 任务在真实数据场景常遇到的问题。其实，还有真正的一个难点是：存在关系的两实体之间的距离很远，可能在两个句子中，甚至在不同的段落。这类问题应该是目前都没有得到有效的解决，而上述是有一个潜在的假设：识别的实体都在一个句子范围内。
该paper解决的任务问题同样是在这个假设内，只是具体解决上述(1),(2),(3)描述的问题。

3 Task Target

针对上述存在的问题，作者发现目前很少paper研究RE任务中关系重叠的问题(few existing works excel in solving the overlapping triple problem where multiple relational triples in the same sentence share the same entities)

如上图，论文中RE 问题分成三类，Normal、EPO、SEO，EPO对应上面的(3)，SEO对应(1)，(2)。根据定义的问题，论文就提出了：一种新颖的级联二分类标注框架进行实体三元组抽取(A Novel Cascade Binary Tagging Framework for Relational Triple Extraction)。接下来，介绍论文的model。

4 Main idea

作者把三元组(s,r,o)抽取任务可以转成一个概率图问题：
对输入的文本x：
P((s,r,o)|x)=P(s|x)*P((r,o)|x,s)简单来说：
第一步：利用输入文本，识别实体s
第二步：利用输入文本和识别出的s, 识别与s有r关系的实体o
下图为论文按上述概率思想展开的详细计算公式，其中包括负样本的计算。

5 Model

model

上述为论文模型整体框架图，从图上看方法比较简洁，具体步骤如下：   (1) 利用BERT预训练模型，将文本进行编码，得到文本向量；   (2) 采用二分标注方式，识别subject实体s的start和end，进而识别文本中所有的s；   (3) 将识别s向量和之前文本向量进行融合，生成新的句子向量；   (4) 利用融合的向量预测带关系的object实体o，同样是采用二分类标注方式；

在该识别框架上，对比之前分类思想，该模型的优势：避免两两匹对的方式进行关系预测，降低计算复杂性，并能直接去学习目标，此外也减少了一定量的负样本计算，但在识别实体s这个步骤同样存在负样本的问题。

5 Loss Function

此图为论文定义的损失函数计算公式，包括三部分：一为识别s产生的损失，二为识别带关系o产生识别，三为识别没带关系o产生的损失；在源码表示为，就是实体s的start与end损失+实体o的start与end损失，如下图显示。

6 Experiment

在实验上，论文用了两个数据集，并按事先定义的关系类型进行了分类，实验对比结果显示，在两个数据集上都有10%以上的提升，这个结果看了我有点不敢相信...，甚至一度怀疑——这个方法有这么大优势吗？后来想明白了一点：很可能paper中对比的方法都没有用BERT，而本篇却是在BERT基础上跑出来的。下图展示为在RE任务上三个分类的实验情况，结果也是非常好的。

7 一些细节及思考：

   (1) 论文在训练阶段，实体s预测后进行句子向量融合的时候，是采用随机抽样的方式，只抽取一个s参入后续的(r,o)预测任务；如果全部参与预测，会不会好些？
   (2)采用start，end这样二分类的方式进行实体识别，将实体中间部分的词与其他不是实体的词都等同于other，这样是不是弱化了实体的信息？

8 结语

整体上，我内心是很认可本篇paper提出的方法，尽管这个框架在2019年由苏**在一次做RE比赛任务后分享出来的，这次作者在此基础上进行了修改，比之前的更为简洁。该框架还有很多地方值得研究和完善的地方，希望能引出大家更多的兴趣和思考...