（更新中）【NLP | 关系抽取】阅读总结2019年

【NLP | 关系抽取】阅读总结2019年(暂定每周更新三篇以上)

写在前面：
几个月以来读了一些论文，但总结工作并不到位，反思了一下还是决定拾起来博客重新记录总结整理的过程，愈加意识到学习过程中的总结十分重要，时刻对自己保持高水准的要求才有进步的空间，学无止境，以此自勉！

ACL

[1] ARNOR: Attention Regularization based Noise Reduction for Distant Supervision Relation Classification

分析	内容
动机	之前的注意模型只关注了实体，而忽略了对于关系模式的关注
数据集	自行改良的NYT
分类
方案
创新点
创新角度
缺点	文中设定两个实体之间的单词作为关系模式，而在选择示例的时候，认为只要模型关注的关系模式单词与提前设定的不一致，就认为示例为假，很明显，由于真正的关系模式单词不一定总是出现在句子中间，因此局限性很大
缺点角度

• emmm在markdown里表格单元格宽度咋调。。逼死强迫症 =、=

[2] Graph Neural Networks with Generated Parameters for Relation Extraction

[3] Multi-Level Matching and Aggregation Network for Few-Shot Relation Classification

分析	内容
动机	KB中长尾问题的存在导致在训练样本很少的时候很难关系分类，少样本学习可以解决这样的问题
数据集	FewRel
分类
方案	采用少样本学习的方法，旨在通过多level匹配和聚合来改善具有稀少样本的关系的分类效果（即处理长尾问题）。有三个阶段，首先通过local匹配和聚合来将query和support示例交互编码得到相应的新的表示；然后，将上述一个类中的support示例表示分别与query示例做相似度计算，通过注意力机制将一个类中的support示例聚合起来得到一个类的类原型，按这种方法得到所有类的类原型；最后，将query表示与上述所有类原型进行相似度计算。它将成为损失函数的一部分
创新点	之前的方法中query instance和support instance独立编码，本文使其相互影响；从local和instance两个level计算匹配和进行聚合
创新角度	ATT创新
缺点	目前训练起来数据集只有FewRel，应用限制较大，应考虑如何扩展到更广的数据集上；希望能够扩展到零样本学习场景
缺点角度	应用场景

[4] DIAG-NRE: A Neural Pattern Diagnosis Framework for Distantly Supervised Neural Relation Extraction

分析	内容
动机	为了减轻模式编写的工作量，并快速归纳出新的关系类型
分类	RL
数据集	NYT、UW
方案
创新点
创新角度
缺点
缺点角度

[5] Fine-tuning Pre-Trained Transformer Language Models to Distantly Supervised Relation Extraction

分析	内容
动机	旨在缓解远程监督带来的噪声标签问题，长尾问题
分类	DS、预训练语言模型
数据集	NYT10
方案	使用多示例学习场景下的注意力机制扩展transformer，模型可以以高置信度预测更多不同关系类型
创新点	本文的模型不依赖显式的特征（比如，依赖树、命名实体类别、关系别名等），仅依赖于语言模型在无监督的预训练过程中捕获的特征
创新角度	方法搬移
缺点	只是在GPT基础上加了一个RE的下游任务，模型上没有什么改进
缺点角度	创新程度

[6] DocRED A Large-Scale Document-Level Relation Extraction Dataset

[7] Attention Guided Graph Convolutional Networks for Relation Extraction

[8] Chinese Relation Extraction with Multi-Grained Information and External Linguistic Knowledge

[9] Span-Level Model for Relation Extraction

[10] Entity-Relation Extraction as Multi-turn Question Answering

[11] Exploiting Entity BIO Tag Embeddings and Multi-task Learning for Relation Extraction with Imbalanced Data

[12] Fine-Grained Temporal Relation Extraction

[13] GraphRel Modeling Text as Relational Graphs for Joint Entity and Relation Extraction

[14] Inter-sentence Relation Extraction with Document-level Graph Convolutional Neural Network

[15] Neural Relation Extraction for Knowledge Base Enrichment

EMNLP

AAAI