【文献阅读笔记】02-用多轮问答框架进行实体关系联合抽取

1 Introduction

1.1 实体关系联合抽取

  实体关系抽取任务：提取具有语义关系的实体对，即三元组； 是信息提取的中心任务，需要从非结构化文本自动构建知识 。

实体关系抽取目前两种常见解决方案

Pipeline：早期的信息抽取将实体抽取和关系抽取看作两个独立的任务，这样的串联模型在建模上相对更简单。但这样将实体识别和关系抽取当作两个独立的任务会导致一些问题：比如误差积累、实体冗余、关系重叠问题等等 。

联合抽取：对实体抽取和关系分类联合建模，能够利用实体和关系之间的交互信息，同时抽取实体并分类实体对的关系，可以很好地解决流水线方法所存在的问题。

文章认为目前的方法依然存在一些问题：
算法层面：1.实体距离远 2.实体共享问题 3.关系跨度重叠问题
任务形式：三元组对未充分表达文本背后的数据结构

1.2 文章工作

  以这段语料为例，标签之间存在层次依赖关系：比如职位的抽取依赖于时间，因为一个人可以在不同的时间段内担任公司的多个职位；职位的抽取也依赖于公司，因为一个人可以在多家公司任职。
  这样的例子在真实情景下是常见的： 所以文章把提取目标从三元组延伸到了数据表，提取出的信息对语料表达的更加全面。

文章提出新方法解决实体关系抽取问题：

将关任务转换为多轮问答任务（Multi QA）：每个实体类型和关系类型由问答模板表征 实体和关系通过回答对应的模板问题来提取 ，答案是文本跨度，使用机器阅读理解（MRC）框架提取 。

Multi QA方法优势：
1.提供了更好的方式捕获标注的层级依赖
2.问题查询编码了想要识别的关系类型的重要先验知识
3.提供了一种同时提取实体和关系的自然方式

2 MULTI-QA

2.1系统框架

整个抽取过程分为两个阶段

1）头实体抽取阶段（4-9行）
多轮问答的每个步骤均由一个实体触发，为了抽取这个头实体，用EntityQuesTemplates（第四行）将每个实体类型转化为一个问题;
实体$e_1$