本文是北邮研究生关于实体关系抽取的文献阅读总结，涵盖传统方法如句法解析、逻辑回归、核函数和条件随机场，以及深度学习方法，如RNN、CNN在关系抽取中的应用。重点讨论了远程监督和基于CNN的PCNN模型，分析其在自动标注数据和提高关系类别区分性方面的作用。
出现的知乎的链接笔记部分是我写的，也有我的同学写的。知乎id: WhiteAndWhite
(本人是北邮研究生，毕设的方向是实体关系抽取，在这里总结一下我看过的关于这个task的文献，肯定有很多错误，还请大家指出。知乎上有我实验室的专栏，我在上面会每隔三个礼拜发布一篇文章，一般都是关于本task的。本人才疏学浅，代码能力接近0，大家见笑了。)
传统的关系抽取方法总结：
基于句法解析增强的方法，Milleret al. 2000
基于逻辑回归的方法，Kambhatla 2004
基于核函数的方法，Zhao and Grishman 2005; Bunescu and Mooney 2006
基于条件随机场的方法,Culotta et al. 2006
远程监督,Distant supervision,Mintz et al. 2009
基于无向图模型的关系抽取方法,Yao et al. 2010
增强远程监督的假设,Riedel et al. 2010
改进实体对齐,Takamatsuet al. 2012
多实例多标签,Hoffmann etal. 2011
多标签多实例+贝叶斯网络,Surdeanu etal. 2012
基于深度学习的关系抽取方法(2015年之前的，CNN刚刚火起来)：
RNN，Socher et al. 2012
[Socher et al. 2012] 提出使用递归神经网络来解决关系抽取问题。该方法首先对句子进行句法解析，然后为句法树上的每个节点学习向量表示。通过递归神经网络，可以从句法树最低端的词向量开始，按照句子的句法结构迭代合并&#x
最低0.47元/天 解锁文章
扫一扫
2904
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
