面向 DocRED 的实体与证据引导关系抽取
计算与语言
2020-08-28 v1
摘要
文档级关系抽取是一项具有挑战性的任务，需要对文档中的多个句子进行推理以预测关系。本文中，我们针对该任务提出了一种联合训练框架 E2GRE（Entity and Evidence Guided Relation Extraction，实体与证据引导关系抽取）。首先，我们引入实体引导序列作为预训练语言模型（如 BERT、RoBERTa）的输入。这些实体引导序列帮助预训练语言模型（LM）聚焦于文档中与实体相关的区域。其次，我们利用预训练语言模型内部的注意力概率作为证据预测的附加特征，来引导该模型的微调。我们的新方法鼓励预训练语言模型聚焦于实体及支撑性/证据性句子。我们在 DocRED（一个近期发布的大规模关系抽取数据集）上评估了 E2GRE 方法。我们的方法能够在公开排行榜的所有指标上取得 SOTA 结果，表明我们的 E2GRE 在关系抽取与证据预测上既有效又具协同性。
引用
@article{arxiv.2008.12283,
title = {Entity and Evidence Guided Relation Extraction for DocRED},
author = {Kevin Huang and Guangtao Wang and Tengyu Ma and Jing Huang},
journal= {arXiv preprint arXiv:2008.12283},
year = {2020}
}