利用隐式互关系改进神经关系抽取

关系抽取（RE）旨在从文本语料中抽取两个实体之间的关系，是知识图谱（KG）构建的关键任务。大多数现有方法通过从包含目标实体对的训练句子中学习关系来预测实体对间的关系。与现有因训练语料不足而难以抽取关系的远程监督方法不同，我们提出的从海量无标注语料中挖掘隐式互关系的方法，将实体对的语义信息迁移到 RE 模型中，更具表达力且语义上更合理。在基于隐式互关系构建实体邻近图后，我们通过将图的每个顶点嵌入低维空间来保留实体对的语义关系。因此，我们可以轻松灵活地将隐式互关系与其他实体信息（如实体类型）集成到现有 RE 方法中。我们在 New York Times 和另一个 Google 远程监督数据集上的实验结果表明，我们提出的神经 RE 框架为 RE 任务提供了可观的改进，并显著优于当前最优方法。此外，挖掘隐式互关系的组件非常灵活，可显著帮助提升基于 CNN 和基于 RNN 的 RE 模型的性能。