關(guān)系抽取任務(wù)是為了預(yù)測(cè)文本中兩個(gè)實(shí)體中的語義關(guān)系，是 NLP 中的重要任務(wù)。基于圖的模型由于其在關(guān)系推理中的有效性和強(qiáng)度而被廣泛采用，許多研究依賴于外部解析器將文本序列轉(zhuǎn)換為依賴樹來初始化圖，但是，解析器產(chǎn)生的錯(cuò)誤會(huì)傳播到圖中。本文主要介紹如何直接從文本中構(gòu)建圖來避免上述問題，將通過三篇頂會(huì)文獻(xiàn)綜述基于對(duì)話文本的關(guān)系抽取最新進(jìn)展。

GDPNet

論文標(biāo)題：

GDPNet: Refining Latent Multi-View Graph for Relation Extraction

收錄會(huì)議：

AAAI 2021

論文鏈接：

https://www.aaai.org/AAAI21Papers/AAAI-3290.XueF.pdf

代碼鏈接：

https://github.com/XueFuzhao/GDPNet

1.1 論文工作

由于基于 BERT 等序列模型與基于圖模型算法是關(guān)系抽取任務(wù)的研究前沿，這篇文獻(xiàn)構(gòu)造了利用潛在的多視圖來捕獲 token 之間各種可能的關(guān)系，隨之對(duì)這個(gè)圖進(jìn)行精煉以選擇重要的詞進(jìn)行關(guān)系預(yù)測(cè)，最后將改進(jìn)的圖表示和基于 BERT 模型的表示連接起來進(jìn)行關(guān)系抽取。

論文的重要?jiǎng)?chuàng)新點(diǎn)在于提出了 GDPNet （Gaussian Dynamic Time Warping Pooling Net），利用高斯圖生成器 （Gaussian Graph Generator, GGG）來產(chǎn)生多視圖的邊，這個(gè)圖通過 Dynamic Time Warping Pooling （DTWPool）來精煉。

1.2 論文方法

GDPNet 的總體架構(gòu)如圖 1 的左側(cè)所示。其中有三個(gè)關(guān)鍵組件：BERT 模塊、圖模塊和 SoftMax 分類器。BERT 模塊將 token 編碼為相應(yīng)的特性表示形式。如圖 1 的右側(cè)所示，圖模塊從 BERT 中獲取 token 表示，并使用高斯圖生成器構(gòu)造一個(gè)多視圖。然后通過圖卷積和 DTWPool 的多次交互來細(xì)化圖。最后，將改進(jìn)后的潛在圖輸入 SoftMax 分類器預(yù)測(cè)關(guān)系類型。

1.2.1 BERT Module

論文使用 BERT 作為特征編碼器來提取 token 表示，將序列 映射為 BERT 的輸入序列，，對(duì)應(yīng)的 BERT 產(chǎn)生的 token 表示為 ，在 GDPNet 中，通過圖模塊充分利用了整個(gè) token 表示。

1.2.2 Graph Module

圖模塊由高斯圖生成器 (GGG)、多層圖卷積和 DTWPool 組成。GGG 用于生成潛在的多視圖，而圖卷積和 DTWPool 層用于圖的精煉。

1.2.2.1 Gaussian Graph Generator

BERT 模塊中的 部分用來生成多視圖用以建模 token 之間的關(guān)系。論文使用潛在圖的初始節(jié)點(diǎn)表示 ，其中每個(gè)節(jié)點(diǎn)表示對(duì)應(yīng)于 token 表示，接著，基于 利用 GGG 初始化多視圖的邊。具體來說，首先將每個(gè)節(jié)點(diǎn) 編碼為多個(gè)高斯分布如下:

與 表示兩個(gè)可訓(xùn)練的神經(jīng)網(wǎng)絡(luò)， 表示非線性激活函數(shù)， 表示多視圖中的視圖數(shù)量。對(duì)于多視圖的第 個(gè)試圖會(huì)得到一些高斯分布 ，每個(gè)高斯分布會(huì)對(duì)應(yīng)于節(jié)點(diǎn)表示 。論文使用高斯分布之間 KL 散度來建模邊的關(guān)系：

在計(jì)算每個(gè)視圖節(jié)點(diǎn)邊的關(guān)系之后，會(huì)得到多個(gè)鄰接矩陣 ，因此多視圖可以表示為 。

1.2.2.2 Multi-view Graph Convolution

多視圖卷積記為:

是初始節(jié)點(diǎn)表示和子層生成的節(jié)點(diǎn)表示的串聯(lián)特征。

1.2.2.3 Dynamic Time Warping Pooling

在圖卷積通過消息傳播更新節(jié)點(diǎn)表示后，引入 Dynamic TimeWarping Pooling （DTWPool）來精煉潛在多視圖。首先利用 SAGPool 來計(jì)算每個(gè)視圖的注意力系數(shù)：

對(duì)于潛在多視圖中的第 n 個(gè)視角，會(huì)得到分?jǐn)?shù)集 ，論文保留了 SAGPool 的節(jié)點(diǎn)選擇方法，即使在圖的大小和結(jié)構(gòu)發(fā)生變化時(shí)，也保留了輸入圖中的一部分節(jié)點(diǎn)。在節(jié)點(diǎn)選擇之后，第 個(gè)視角保留的節(jié)點(diǎn)是 的子集，因?yàn)闈撛趫D通常有多個(gè)視角，所以會(huì)發(fā)現(xiàn)多個(gè) 不同的子集。

由于多視圖的特性，DTWPool 通過從不同視圖獲取節(jié)點(diǎn)的聯(lián)合集，自適應(yīng)地對(duì)圖進(jìn)行了細(xì)化：

其中 是從所有不同視圖中選擇的子集的并集。在圖模塊中，論文對(duì)圖卷積和 DTWPool 進(jìn)行迭代操作，從而得到一個(gè)圖序列 。

信息節(jié)點(diǎn)的數(shù)量在不同的文本序列中是不同的。在圖的池化過程中，保持重要信息是很重要的。這個(gè)圖中的節(jié)點(diǎn)嵌入了豐富的上下文信息，因此將上下文總結(jié)到 pooling 節(jié)點(diǎn)中是有益的。為了這個(gè)目的，作者提出了使用 SoftDTW 來指導(dǎo)圖池化操作。SoftDTW 是一個(gè)可微分的損失函數(shù)，用于尋找不同長(zhǎng)度的兩個(gè)序列之間可能的最佳對(duì)齊方式：

在 GDPNet 中，論文利用 SoftDTW 損耗最小化原始圖與最后池化圖之間的距離：

使用 SoftDTM 損失，DTWPool 可以在不丟失大量上下文信息的情況下細(xì)化圖。

為了最小化信息損失，論文將池化過程中創(chuàng)建的中間圖的節(jié)點(diǎn)表示連接起來，從而得到最終的圖 ，類似于學(xué)習(xí)圖的殘差連接。由于池中的圖具有不同的大小，論文對(duì)所有節(jié)點(diǎn)只連接其中的節(jié)點(diǎn)表示，因此，最終圖 的節(jié)點(diǎn)與 1 相同。

1.2.3 Classifier

給定最終的圖 ，論文采用最大池的神經(jīng)網(wǎng)絡(luò)來計(jì)算圖的表示。然后將計(jì)算的表示與 [CLS] 令牌 的表示連接起來，形成最終的表示。

1.3 實(shí)驗(yàn)

論文提出的 GDPNet 可以應(yīng)用于句子級(jí)和對(duì)話級(jí)的 RE 任務(wù)。由于數(shù)據(jù)格式、適用的基線模型以及處理主體和客體實(shí)體 和 的方式的不同，論文進(jìn)行了兩組實(shí)驗(yàn)，將 GDPNets 和 SoTA 模型在兩項(xiàng)任務(wù)上進(jìn)行了比較。表 2 與表 5 總結(jié)了在 DialogRE 和 TACRED 上的結(jié)果。論文還展示了如何容易地修改 GDPNet，如表 4 所示，以便在每個(gè)任務(wù)上與 SoTA 模型進(jìn)行公平比較。

SOLS

論文標(biāo)題：

Speaker-Oriented Latent Structures for Dialogue-Based Relation Extraction

收錄會(huì)議：

EMNLP 2021

論文鏈接：

https://arxiv.org/abs/2109.05182

2.1 論文工作

由于基于對(duì)話的關(guān)系抽取（Dialogue-based relation extraction ，DiaRE）任務(wù)涉及多個(gè)說話人，會(huì)存在邏輯糾纏和信息稀疏的問題。為了解決這一問題，論文提出了 Speaker-Oriented Latent Structures（SOLS），可以明確地誘發(fā)說話人導(dǎo)向的潛在結(jié)構(gòu)，以獲得更好的 DiaRE。在學(xué)習(xí)過程中，論文針對(duì)說話人的正則化方法逐步突出與說話人相關(guān)的關(guān)鍵線索，并刪除無關(guān)線索，緩解了信息稀疏性問題。

2.2 論文方法

該模型旨在通過探索面向說話者的潛在結(jié)構(gòu)來獲得更好的 DiaRE。論文提出的模型有四個(gè)模塊：

1. 對(duì)話編碼器（Dialogue Encoder）使用對(duì)話作為輸入，輸出是語境的相關(guān)表示。

2. 上下文化的表示將被輸入到 SOLS 誘導(dǎo)器（SOLS Inducer）中，以自動(dòng)生成兩個(gè)面向說話者的潛在結(jié)構(gòu)和一個(gè)新的正則化項(xiàng)，旨在緩解糾纏的邏輯和數(shù)據(jù)稀疏問題。

3. 然后將潛在結(jié)構(gòu)饋給 SOLS 編碼器（SOLS Encoder），該編碼器是一個(gè)圖卷積網(wǎng)絡(luò)（GCN），主要用于信息聚合。

4. 分類器（Classifier）。

2.2.1 Dialogue Encoder

表示一個(gè)對(duì)話擁有 n 個(gè) token 和 m 個(gè)話語 ，然后將 視為一個(gè)長(zhǎng)的序列，并將它送入對(duì)話編碼器，例如 BiLSTM，或者基于預(yù)訓(xùn)練的 BERT 模型，來產(chǎn)生上下文的語境表示 。

2.2.2 SOLS Inducer

SOLS 的直覺是學(xué)習(xí)一種潛在的對(duì)話結(jié)構(gòu)，能夠找出與說話者相關(guān)的語境，而忽略不相關(guān)或不太相關(guān)的語境。論文使用離散-連續(xù)分布通過采樣邊緣分?jǐn)?shù)接近 0 或 1 來明確學(xué)習(xí)面向說話者的對(duì)話結(jié)構(gòu)。因此，將圖中的邊緣分?jǐn)?shù)視為一個(gè)門，接近 1 或 0 的分?jǐn)?shù)分別表示打開或關(guān)閉兩個(gè)令牌之間的連接。直觀上，分?jǐn)?shù)值接近 1 表示兩個(gè)符號(hào)之間有很強(qiáng)的關(guān)系。

2.2.2.1 Sampling a Gate?

取樣器主要有四個(gè)模塊，主要包括 MLP 模塊、分布生成器、Stretcher & Rectifier 和門生成器。

對(duì)于每個(gè) 令牌對(duì)，MLP 模塊將它們的表示作為輸入，并執(zhí)行非線性轉(zhuǎn)換 ，并輸出標(biāo)量值 ，。

分布生成器構(gòu)造了一個(gè) Binary Concrete（BC）分布，，BC 分布是由連續(xù)離散隨機(jī)變量組成的，基于 Gumbel-Max 方法。使用 來控制概率質(zhì)量使 BC 分布向 0 或向 1 傾斜，分別在負(fù)和正的位置。從這樣的分布中采樣值類似于生成一個(gè)門，可以打開或關(guān)閉兩個(gè)令牌之間的連接。

由于 BC 的隨機(jī)條件，是由之前步驟生成的，因此定義為（0,1）開區(qū)間，值 0 和 1 不能被采樣到。因此，作者依靠 Hard Concrete（HC）分布將采樣從開區(qū)間拓展到閉區(qū)間。

最后，從 HC 分布中對(duì)于第 和第 個(gè) token 采樣一個(gè)分?jǐn)?shù) ：

2.2.3 Speaker-Oriented Structures

2.2.3.1 Latent Structure

依據(jù)以上的步驟，在對(duì)話 中，論文采樣每一對(duì)節(jié)點(diǎn)的門來構(gòu)建圖 ，對(duì)于目標(biāo)關(guān)系，為每個(gè) speaker 生成兩個(gè)不同的圖，直觀的說，每個(gè)圖將不依賴于話語邊界強(qiáng)調(diào)每個(gè)說話者不同 token 之間的特定的潛在依賴關(guān)系。圖 4 展示了對(duì)于兩個(gè)說話者如何產(chǎn)生兩個(gè)結(jié)構(gòu)。

直接將兩個(gè)圖輸入 GCNs 可能會(huì)為關(guān)系分類引入噪聲，因?yàn)閷?duì)話中的許多上下文可能與關(guān)系分類任務(wù)無關(guān)。

2.2.3.2 Controlled Sparsity

為了緩解這個(gè)問題，在兩個(gè)圖誘導(dǎo)過程中引入正則化損失 來突出關(guān)鍵線索，同時(shí)丟棄不相關(guān)的連接，從而最小化要選擇的上下文標(biāo)記的數(shù)量。 可以看錯(cuò)可控的稀疏機(jī)制以完全可微的方式使兩個(gè)圖中預(yù)測(cè)的非零數(shù)最小化。

2.2.4 SOLS Encoder

對(duì)于兩個(gè)鄰接矩陣 與，論文使用 GCN 作為圖編碼器來進(jìn)行信息聚合，對(duì)于第 層，第 個(gè)節(jié)點(diǎn)的卷積操作，使用之前層的輸出 作為卷積的輸入并更新表示：

對(duì)兩個(gè)說話者使用相同的 GCN，并獲得更新的上下文化對(duì)話表示：

2.2.5 Classifier and Loss Function

作者使用 MLP 作為分類器來預(yù)測(cè)目標(biāo)參數(shù)對(duì) 之間的關(guān)系：

整體的損失可以被計(jì)算為：

2.3 實(shí)驗(yàn)

2.3.1 Dataset

主要用了三個(gè)數(shù)據(jù)集：

1. dialogue - English version，為第一個(gè)來自美國著名喜劇《老友記》的人類注釋對(duì)話級(jí)別 RE 數(shù)據(jù)集；

2. DialogRE Chinese version，翻譯自 DialogRE-EN；

3. Medical Information Extractor（MIE），涉及從一個(gè)中國醫(yī)療咨詢網(wǎng)站收集的醫(yī)患對(duì)話。

2.3.2 Main Results

論文將提出的 SOLS 方法與如下所述的各種基線進(jìn)行比較，主要有以下四種方法：

• Sequence-based Models

• Rule-based Graph Models

• Latent Graph Models

• BERT-based Models

表 2 總結(jié)了 DialogRE-EN 和 DialogRE-CN 數(shù)據(jù)集? 和? 評(píng)分的結(jié)果。在 MIE 數(shù)據(jù)集上，表 3 表明，在相同的基于 bert 的編碼器下，SOLS 獲得了最好的結(jié)果，進(jìn)一步證明了潛在結(jié)構(gòu)的有效性。

DRE

論文標(biāo)題：

Dialogue Relation Extraction with Document-Level Heterogeneous Graph Attention Networks

論文鏈接：

https://arxiv.org/pdf/2009.05092.pdf

代碼鏈接：

https://github.com/declare-lab/dialog-HGAT

3.1 論文工作

論文提出了一種基于注意力機(jī)制的異構(gòu)圖神經(jīng)網(wǎng)絡(luò)的 DRE 方法，其中圖包含有意義連接的說話人、實(shí)體、類型和話語節(jié)點(diǎn)。該圖被送到圖注意力網(wǎng)絡(luò)，用于相關(guān)節(jié)點(diǎn)之間的上下文傳播，有效地捕獲對(duì)話上下文。

3.2 論文方法

在這項(xiàng)工作中，論文引入了一個(gè)基于注意的圖網(wǎng)絡(luò)來解決每個(gè)對(duì)話都被表示為異構(gòu)圖的問題。

1. 首先利用一個(gè)由兩個(gè)雙向長(zhǎng)短期記憶網(wǎng)絡(luò)組成的語音編碼器對(duì)會(huì)話信息進(jìn)行編碼。這些話語編碼，連同單詞嵌入、說話者嵌入、論點(diǎn)嵌入和類型嵌入，在邏輯上連接起來，形成一個(gè)異構(gòu)。

2. 該圖通過五個(gè)圖注意層，這些注意層聚合了來自鄰近節(jié)點(diǎn)的信息。

3. 將學(xué)習(xí)到的參數(shù)嵌入連接起來，并將其提供給一個(gè)分類器。

3.2.1 Utterance Encoder

對(duì)于對(duì)話 ，利用 GloVe 來初始化詞嵌入，并且將其送入 BiLSTM 模型以得到上下文的語境表示。BiLSTM 的操作可以定義為：

與之前的方法不同，在話語編碼中只采用語義語境特征，我們?cè)谡Z境表示中添加句法特征，如 POS 標(biāo)簽 和命名實(shí)體類型 。在話語中每個(gè) token 的嵌入可以描述為：

3.2.2 Graph Construction

3.2.2.1 Node Construction

論文設(shè)計(jì)了一個(gè)包含五種節(jié)點(diǎn)的異構(gòu)圖網(wǎng)絡(luò)：話語節(jié)點(diǎn)（utterance nodes）、類型節(jié)點(diǎn)（type nodes）、詞節(jié)點(diǎn)（word nodes）、說話者節(jié)點(diǎn)（speaker nodes）和參數(shù)節(jié)點(diǎn)（argument nodes）。每種類型的節(jié)點(diǎn)用于在對(duì)話框中編碼一種類型的信息。在該任務(wù)中，只有詞節(jié)點(diǎn)、說話者節(jié)點(diǎn)和論點(diǎn)節(jié)點(diǎn)可能會(huì)參與最終的分類過程。

話語節(jié)點(diǎn)是由 Utterance Encoder得到的話語嵌入初始化的，與構(gòu)成話語的基本節(jié)點(diǎn)相連。類型節(jié)點(diǎn)表示話語中單詞的實(shí)體類型，其中包括各種命名實(shí)體和數(shù)字實(shí)體，由于在一個(gè)對(duì)話中可能有不同的類型，類型節(jié)點(diǎn)可以促進(jìn)信息集成。

單詞節(jié)點(diǎn)表示會(huì)話的詞匯表。每個(gè)單詞節(jié)點(diǎn)都與包含單詞的話語相連接，它也與單詞在對(duì)話中可能存在的所有類型相連接，論文使用 GloVe 初始化單詞節(jié)點(diǎn)的狀態(tài)。

說話人節(jié)點(diǎn)表示對(duì)話中每個(gè)唯一的說話人。每個(gè)說話人節(jié)點(diǎn)都與說話人自己發(fā)出的話語相連接。這種類型的節(jié)點(diǎn)是用一些特定的嵌入進(jìn)行初始化的，可以從不同的說話者那里收集信息。

參數(shù)節(jié)點(diǎn)是兩個(gè)特殊的節(jié)點(diǎn)，用于編碼參數(shù)對(duì)的相對(duì)位置信息。每個(gè)圖中總共有兩個(gè)參數(shù)節(jié)點(diǎn)。一個(gè)代表主語參數(shù)，另一個(gè)代表賓語參數(shù)。

3.2.2.2 Edge Construction

論文所提出的圖是無向的，但是傳播是有方向的，其中有五種類型的邊，分別是 utterance-word，utterance-argument，utterance-speaker，type-word 和? type-argument 邊。每個(gè)邊有特定的類型，除了 utterance-word 之外，其余邊會(huì)被隨機(jī)初始化。對(duì)于 utterance-word 之間的邊，論文采用 POS 標(biāo)簽來初始化邊緣特征。

3.2.2.3 Graph Attention Mechanism

論文使用圖注意機(jī)制將鄰近信息聚合到目標(biāo)節(jié)點(diǎn)，圖注意機(jī)制可以描述為：

3.2.2.4 Message Propagation

如圖2所示，論文提出的圖模塊中有五層，每一層代表一個(gè)聚合。在圖中標(biāo)記了四種類型的層。LayerA 和 LayerD 包含話語節(jié)點(diǎn)和基本節(jié)點(diǎn)之間的消息傳播，LayerB 和 LayerC 同樣是基本節(jié)點(diǎn)和類型節(jié)點(diǎn)之間的消息傳播。將整個(gè)消息傳播路徑稱為元路徑。不同的元路徑策略可能導(dǎo)致不同的性能。元路徑消息傳播路徑可以被表示為 ，，， 表示 utterance nodes，basic nodes，和 type nodes。

使用殘差連接機(jī)制避免梯度消失：

并經(jīng)過兩層的前向傳遞網(wǎng)絡(luò)：

假設(shè)嵌入矩陣主要包含話語節(jié)點(diǎn)、基本節(jié)點(diǎn)和類型節(jié)點(diǎn)的初始嵌入：

消息傳播過程可以寫成：

3.2.3 Relation Classifier

在異構(gòu)圖中傳播消息后，得到所有實(shí)體的新表示。

表示給定參數(shù)對(duì)關(guān)系類型的概率。

3.3 實(shí)驗(yàn)

3.3.1 Dataset

論文使用 DialogRE 數(shù)據(jù)集，數(shù)據(jù)統(tǒng)計(jì)如下表所示：

3.3.2 Result and Analysis

如表 2 所示，模型在驗(yàn)證和測(cè)試集上都比最先進(jìn)的方法高出 9.6%/7.5% 的 分?jǐn)?shù)，8.4%/5.7%的 分?jǐn)?shù)，這表明了在異質(zhì)圖中沿著特定任務(wù)功能元路徑的信息傳播的有效性。

為了理解模型組件的影響，論文使用模型在 DialogRE 數(shù)據(jù)集上執(zhí)行 ablation study，結(jié)果見表 3。

論文還通過更改元路徑策略來測(cè)試消息傳播策略的性能，

Strategy1：作者只建立了一個(gè) LayerA，其中基本節(jié)點(diǎn)由初始化的話語節(jié)點(diǎn)更新一次。

Strategy2：層的順序是 A-B-C-D-A-D-A。

Strategy3：層的順序是 A-B-C-D-A-B-C-D-A。

總結(jié)

這三篇文章主要集中于語句間的關(guān)系抽取任務(wù)，會(huì)存在實(shí)體間邏輯上關(guān)系接近但語法上距離比較遠(yuǎn)的問題。可以看出通過語句內(nèi)容來構(gòu)建圖，并用圖神經(jīng)網(wǎng)絡(luò)來完成關(guān)系抽取任務(wù)已經(jīng)成為研究的趨勢(shì)。構(gòu)建圖的方法主要有基于依賴樹、基于詞嵌入向量與基于類型節(jié)點(diǎn)的連接關(guān)系，這三種方法各有優(yōu)勢(shì)。在圖神經(jīng)網(wǎng)絡(luò)的創(chuàng)新方面主要利用了圖卷積神經(jīng)網(wǎng)絡(luò)和圖注意力網(wǎng)絡(luò)，且第三篇文獻(xiàn)結(jié)合了異質(zhì)圖神經(jīng)網(wǎng)絡(luò)，來解決圖的分類問題。

特別鳴謝

感謝 TCCI 天橋腦科學(xué)研究院對(duì)于 PaperWeekly 的支持。TCCI 關(guān)注大腦探知、大腦功能和大腦健康。

更多閱讀

#投 稿?通 道#

?讓你的文字被更多人看到?

如何才能讓更多的優(yōu)質(zhì)內(nèi)容以更短路徑到達(dá)讀者群體，縮短讀者尋找優(yōu)質(zhì)內(nèi)容的成本呢？答案就是：你不認(rèn)識(shí)的人。

總有一些你不認(rèn)識(shí)的人，知道你想知道的東西。PaperWeekly 或許可以成為一座橋梁，促使不同背景、不同方向的學(xué)者和學(xué)術(shù)靈感相互碰撞，迸發(fā)出更多的可能性。?

PaperWeekly 鼓勵(lì)高校實(shí)驗(yàn)室或個(gè)人，在我們的平臺(tái)上分享各類優(yōu)質(zhì)內(nèi)容，可以是最新論文解讀，也可以是學(xué)術(shù)熱點(diǎn)剖析、科研心得或競(jìng)賽經(jīng)驗(yàn)講解等。我們的目的只有一個(gè)，讓知識(shí)真正流動(dòng)起來。

📝?稿件基本要求：

? 文章確系個(gè)人原創(chuàng)作品，未曾在公開渠道發(fā)表，如為其他平臺(tái)已發(fā)表或待發(fā)表的文章，請(qǐng)明確標(biāo)注?

? 稿件建議以?markdown?格式撰寫，文中配圖以附件形式發(fā)送，要求圖片清晰，無版權(quán)問題

? PaperWeekly 尊重原作者署名權(quán)，并將為每篇被采納的原創(chuàng)首發(fā)稿件，提供業(yè)內(nèi)具有競(jìng)爭(zhēng)力稿酬，具體依據(jù)文章閱讀量和文章質(zhì)量階梯制結(jié)算

📬?投稿通道：

? 投稿郵箱：hr@paperweekly.site?

? 來稿請(qǐng)備注即時(shí)聯(lián)系方式（微信），以便我們?cè)诟寮x用的第一時(shí)間聯(lián)系作者

? 您也可以直接添加小編微信（pwbot02）快速投稿，備注：姓名-投稿

△長(zhǎng)按添加PaperWeekly小編

🔍

現(xiàn)在，在「知乎」也能找到我們了

進(jìn)入知乎首頁搜索「PaperWeekly」

點(diǎn)擊「關(guān)注」訂閱我們的專欄吧

·

總結(jié)

以上是生活随笔為你收集整理的​最新综述！基于图神经网络的关系抽取技术进展的全部?jī)?nèi)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(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。