ACL2019: 《GraphRel: Modeling Text as Relational Graphs for Joint Entity and Relation Extraction》源码解析
论文地址: 《GraphRel: Modeling Text as Relational Graphs for Joint Entity and Relation Extraction》 GitHub地址: GraphRel 提出一种端到端关系抽取模型GraphRel,该模型利用图卷积网络(GCNs)来联合学习命名实体和实体间关系。与以往的baseline相比,我们通过 关系加权GCN 来考虑命名实体和关系之间的交互,以更好地提取关系。线性结构和依存句法结构用来提取文本的序列特征和区域特征,而 完整的词图 则进一步用于提取文本所有词对之间的潜在特征。利用基于图的方法,对重叠关系的预测比以前的顺序方法有了实质性的改进。我们在两个公开数据集上评估GraphRel: NYT和WebNLG。结果表明,GraphRel在保持较高的查准率(Precision)的同时,显著提高了查全率(Recall)。此外,GraphRel的性能比之前的研究分别提高了3.2%和5.8%(F1分数),为关系抽取提供了一个新的技术水平。 下图为本文模型结构: 在 第一阶段 ,我们采用BiRNN和GCN两种方法来提取顺序依存词和区域依存词的特征。给定单词特征,我们预测每个单词的关系和所有单词的实体。然后,在 第二阶段 ,基于预测的第一阶段的关系,我们 为每一个关系建立完整的关系图