我们是否应依赖实体提及进行关系抽取？基于反事实分析的关系抽取去偏

近期文献聚焦于利用句子级关系抽取（RE）中的实体信息，但这存在泄露表层且虚假的关系线索的风险。因此，RE 仍受到非预期的实体偏置的困扰，即实体提及（名称）与关系之间的虚假相关性。实体偏置会误导 RE 模型抽取文本中不存在的关系。为应对该问题，一些先前工作对实体提及进行掩码，以防止 RE 模型过拟合实体提及。然而，该策略因丢失实体的语义信息而降低了 RE 性能。本文提出 CORE（基于反事实分析的关系抽取）去偏方法，引导 RE 模型关注文本上下文的主要效应而不丢失实体信息。我们首先为 RE 构建因果图，建模 RE 模型中各变量间的依赖关系。随后，我们提出在因果图上执行反事实分析，以提炼并缓解实体偏置，从而捕捉每个实例中特定实体提及的因果效应。需注意，我们的 CORE 方法对模型无关，可在推理阶段对现有 RE 系统去偏而无需改变其训练过程。大量实验结果表明，我们的 CORE 在 RE 的有效性和泛化性上均带来显著提升。源代码见：https://github.com/vanoracai/CoRE。