基于跨度剪枝与超图神经网络的联合实体与关系抽取

实体与关系抽取（ERE）是信息抽取中的一项重要任务。近期基于标记器的流水线模型取得了最先进的性能，但仍受错误传播问题的困扰。此外，当前大多数 ERE 模型未考虑多个实体与关系间的高阶交互，而高阶建模可能带来益处。在本工作中，我们提出用于 ERE 的超图神经网络（$\hgnn{}$），其构建于 PL-marker（一种最先进的基于标记器的流水线模型）之上。为缓解错误传播，我们采用高召回剪枝机制，将实体识别与标注的负担从 NER 模块转移到我们模型的联合模块。对于高阶建模，我们构建一幅超图，其中节点为实体（由跨度剪枝器提供）及其关系，超边编码两个不同关系之间或一个关系与其关联的主客体实体之间的交互。随后我们通过在所构建超图上传递消息来运行超图神经网络进行高阶推理。在三个广泛使用的 ERE 任务基准（\acef{}、\ace{} 和 \scierc{}）上的实验显示，相较先前最先进的 PL-marker 取得了显著改进。