論文筆記整理：余海陽，浙江大學碩士，研究方向為知識圖譜、自然語言處理。

---

鏈接：https://www.aclweb.org/anthology/P19-1136

?

動機

本文提出了一種利用圖卷積網絡（GCNs）聯合學習命名實體和關系抽取的端到端抽取模型GraphRel。之前抽取模型較少的同時抽取命名實體和關系，而且對實體對間的多關系問題處理不當，并且很少考慮不同關系間的相互影響，特別是一對實體間的多個關系之間的作用。

亮點

與之前的模型相比，我們通過關系加權的GCN來考慮命名實體和關系之間的交互，從而更好地提取關系。同時利用線性結構和依賴結構用于提取文本的序列特征和區域特征，并利用完整的詞圖進一步提取文本所有詞對之間的隱式特征。使用基于圖的方法，對重疊關系的預測比以前的順序方法有了很大的改進。我們在兩個公共數據集上評估GraphRel:NYT和WebNLG。結果表明，GraphRel在大幅度提高查全率的同時，保持了較高的查全率。GraphRel的性能也比之前的工作好3.2%和5.8% (F1分)，實現了一種新的關系提取技術。

模型

模型整體的框架如下圖。

?

模型分為兩個階段的預測。

第一階段：

首先使用word embedding和pos embedding一同喂到Bi-LSTM網絡中。然后輸入得到的雙向結果，分別喂到GCN網絡中，由此構成Bi-GCN網絡架構。GCN的鄰接矩陣為句子的語法依賴樹得到的結果，在依賴樹中相連則鄰接矩陣中的權值為1，否則為0。雙向GCN的結果再拼接一起，得到最終encoder的結果。

在第一階段預測中，將Bi-GCN得到的結果經過一個RNN之后再經過一次全連接層，即可做實體預測的任務。在關系預測中，將句子中詞語兩兩組合分別去計算關系。具體公式如下：

第二階段：

將第一階段得到的結果，繼續經過gcn，此時的gcn鄰接矩陣的權值就是第一階段求得的relation概率值。如此經過gcn之后再做聚合，然后繼續做預測任務即可。公式如下：

實驗

我們使用紐約時報（Riedel et al. 2010）和WebNLG（Gardentet al.2017）的數據集來評估該方法NYT和WebNLG的統計數據如表2所示。

我們把關系種類分為三類：Normal、entityairoverlap(EPO)和SingleEntityOverlap(SEO)。每個類別的計數也顯示在表2中。實驗結果如下：

?

另有樣例分析，證明兩階段的抽取比單獨第一階段的抽取效果好。

總結????????????????????????

本文提出了一種基于圖卷積網絡(GCN)的端到端關系抽取模型GraphRel，該模型可以聯合學習命名實體和關系。將RNN和GCN相結合，不僅提取整體序列特征，而且可以提取每個詞的區域依賴特征。我們的方法還考慮了文本中所有詞對之間的隱式特征。我們預測每對詞之間的關系，解決了實體重疊的問題。此外，我們還引入了一種新的關系加權廣義網絡，它考慮了命名實體和重命名之間的相互作用。我們在NYT和webnlg數據集上對該方法進行了評估。結果表明，該方法比以往的方法分別提高了3.2%和5.8%，實現了一種新的關系提取方法。

---

OpenKG

開放知識圖譜（簡稱 OpenKG）旨在促進中文知識圖譜數據的開放與互聯，促進知識圖譜和語義技術的普及和廣泛應用。

點擊閱讀原文，進入 OpenKG 博客。

總結

以上是生活随笔為你收集整理的论文浅尝 | 将文本建模为关系图，用于联合实体和关系提取的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。