本文将关系抽取任务转换为两个任务 ， HE抽?。ㄍ肥堤宄槿 。┖蚑ER抽?。ㄎ彩堤搴凸叵担?
前一个子任务是区分所有可能涉及到关系的头实体，后一个任务是识别每个提取的头实体对应的尾实体和关系，然后基于本文提出的基于span的标记方法将两个子任务进一步分解为多个序列标记任务，采用分层边界标记HBT和多跨度解码算法解决这些问题 。本文的第一步不是提取所有实体，而是识别可能参与目标三元组的头实体，从而减轻冗余实体对的影响 。
【Joint Extraction of Entities and Relatio】Model 标注策略
对于每个识别出的头实体，TER提取也分解为两个序列标注任务 ， 利用跨度边界提取尾实体并同时预测关系 。
第一个序列标记子任务主要标记尾实体的开始字标记的关系类型，第二个子任务标记结束字标记的关系类型 。
文章插图
模型
层次边界标记器HBT
使用LSTM编码 。标注开始位置时，单词 x i x_i xi?的标签被预测为：
h i h_i hi?是token的隐藏表示，a i a_i ai?是辅助向量，从整个句子中学习到的全局表示
x i x_i xi?的结束标签可以通过如下计算：
这里又增加了一个位置向量 p i s e p_i^{se} pise?，在预测结束位置时能够感知起始位的隐藏状态，因此引入了 h i s t a h_i^{sta} hista?
抽取模型
这个过程和级联二进制和multi-QA的方法几乎一样 ， 或者说这三篇文章的思路都是一个思路
启示 在没有用BERT的情况下达到了现在的分数，确实厉害，不过还是老生常谈的问题，时间复杂度太高了感觉关系抽取太卷了，作为NLP，一个任务需要跑个十几个和二十多个小时，算力不充足的我太难受了 ， 大家能run的就抓紧run吧 。