EnriCo：面向实体与关系抽取的丰富表示与全局约束推理

联合实体与关系抽取在诸多应用中发挥着关键作用，尤其是在知识图谱的构建中。尽管近期取得了进展，但现有方法在两个关键方面往往存在不足：表示的丰富性与输出结构的一致性。这些模型通常依赖手工设计的启发式规则来计算实体和关系表示，可能导致关键信息的丢失。此外，它们忽略了任务和/或数据集特定的约束，导致输出结构缺乏一致性。在我们的工作中，我们提出了 EnriCo 以缓解这些缺陷。首先，为了促进丰富且富有表现力的表示，我们的模型利用注意力机制，使实体和关系都能动态确定准确抽取所需的 pertinent 信息。其次，我们引入了一系列解码算法，旨在推断最高得分的解，同时遵守任务和数据集特定的约束，从而促进结构化且一致的输出。在联合信息抽取数据集上的评估表明，与基线相比，我们的模型展示了具有竞争力的性能。