基于重构的文档级关系抽取
计算与语言
2020-12-22 v1
摘要
在文档级关系抽取 (DocRE) 中，图结构通常被用来编码输入文档中的关系信息，以对每对实体间的关系类别进行分类，并在过去几年中大幅推进了 DocRE 任务。然而，所学习的图表示对所有实体对之间的关系信息一视同仁地建模，而不论这些实体对之间是否存在关系。因此，那些无关系的实体对分散了编码器-分类器式 DocRE 对有关系的实体对的注意力，可能进一步阻碍 DocRE 的提升。为缓解此问题，我们提出了一种新颖的编码器-分类器-重构器模型用于 DocRE。重构器致力于从图表示中重构真实路径依赖，以确保所提 DocRE 模型在训练中更关注编码有关系的实体对。此外，重构器被视为关系指示器，在推理中辅助关系分类，可进一步提升 DocRE 模型性能。在大规模 DocRE 数据集上的实验结果表明，所提模型在强异构图基线上能显著提升关系抽取准确率。
引用
@article{arxiv.2012.11384,
title = {Document-Level Relation Extraction with Reconstruction},
author = {Wang Xu and Kehai Chen and Tiejun Zhao},
journal= {arXiv preprint arXiv:2012.11384},
year = {2020}
}
备注
9 pages, 5 figures, 6 tables. Accepted by AAAI 2021 (Long Paper)