面向文档级关系抽取的由粗到细实体表示
计算与语言
2021-06-08 v2 信息检索
机器学习
摘要
文档级关系抽取(RE)需要抽取句子内部及跨句子表达的关系。近期工作表明，基于图的方法通常通过构建捕获文档感知交互的文档级图，能够获得有用的实体表示，从而有助于处理文档级 RE。这些方法或更侧重于整个图，或更关注图的一部分，例如目标实体对之间的路径。然而，我们发现文档级 RE 可能同时受益于对二者的关注。因此，为获得更全面的实体表示，我们提出了由粗到细实体表示模型(CFER)，其采用包含两阶段的由粗到细策略。首先，CFER 使用图神经网络在粗粒度层面上整合整个图中的全局信息。接着，CFER 利用该全局信息作为引导，在细粒度层面上选择性地聚合目标实体对之间的路径信息。在分类时，我们将来自两个层级的实体表示组合为更全面的表示用于关系抽取。在两个文档级 RE 数据集 DocRED 和 CDR 上的实验结果表明，CFER 优于现有模型，并且对不均衡标签分布具有鲁棒性。
引用
@article{arxiv.2012.02507,
title = {Coarse-to-Fine Entity Representations for Document-level Relation Extraction},
author = {Damai Dai and Jing Ren and Shuang Zeng and Baobao Chang and Zhifang Sui},
journal= {arXiv preprint arXiv:2012.02507},
year = {2021}
}