关系抽取论文笔记集（持续更新中）

分享一下自己精读的一些关系抽取相关的论文笔记，由于中间有些是ppt，为了便于预览展示，所以全部发布在了自己的博客网站上了。

1、Reinforcement Learning for Relation Classification from Noisy Data

AAAI 2018中的一篇关系抽取方面的论文。

此论文提出了一种基于强化学习的关系抽取模型，该模型主要是对具有大量噪声的词袋级别的数据进行处理，将其转化到句子级别进行训练和预测，具有不错的效果。

详情参见链接：论文笔记–Reinforcement Learning for Relation Classification from Noisy Datas

2、Syntax-aware Entity Embedding for Neural Relation Extraction

阿里巴巴 AAAI 2018 录用论文的一篇关系抽取的论文。

本文提出将句法识别（syntax-aware）的实体嵌入用在关系抽取中：

• 首先，本文使用tree-GRU方法编码依存树上的实体上下文作为句子级别的实体嵌入。
• 然后，对于所有包含了所关注的实体对的句子，利用句内关系和句际关系的注意力去获取句子集合级别（set-level）的实体嵌入。
• 最后，结合句子嵌入和实体嵌入到关系抽取中。

详情参见链接：论文笔记–Syntax-aware Entity Embedding for Neural Relation Extraction

3、RESIDE: Improving Distantly-Supervised Neural Relation Extraction using Side Information

此论文是2018年EMNLP的一篇文章。

本文提出了一种远程监督神经关系抽取方法RESIDE

• 利用KBs中的附加边信息来改进关系提取
• 使用实体类型和关系别名信息在预测关系时施加软约束
• 使用图形卷积网络(GCN)对文本中的语法信息进行编码
• 即使在边信息有限的情况下，也能提高性能。

详情参见链接：论文笔记–RESIDE: Improving Distantly-Supervised Neural Relation Extraction using Side Information

4、Modeling Relational Data with Graph Convolutional Networks

此论文是ESWC 2018的一篇使用GCN进行知识库实体分类和链接预测的文章。

知识图谱可应用于各种应用，包括问答和信息检索。尽管在创建和维护方面付出了巨大的努力，但即使是最大的知识库（例如，Yago，DBPedia或Wikidata）仍然是不完整。

该论文引入关系图卷积网络（R-GCN）并将它们应用于两个基于标准知识库完成的任务：

• 链接预测（缺失事实的恢复，即主题 – 谓词 – 对象三元组）
• 实体分类（丢失实体属性的恢复）。

RGCNs与最近一类在图上运行的神经网络有关，并且是专门为处理现实知识库的高度多关系数据特征而开发的。

详情参见链接：论文笔记–Modeling Relational Data with Graph Convolutional Networks

5、Neural Relation Extraction Within and Across Sentence Boundaries

AAAI 2109中的一篇关系抽取论文。

大致如下：

• 本文提出了一种新的方法用于跨句子的关系抽取—iDepNN：inter-sentential dependency-based neural networks
• iDepNN通过循环和递归神经网络对最短和增强的依赖路径进行建模，以提取句子内部和跨（句间）句子边界的关系。
• 相比于之前SVM和神经网络的baseline，iDepNN对于处理句际关系的假正例更加的鲁棒性。
• 该模型在基于新闻专线（MUC6）和医学领域（BioNLP）的四个数据集中取得了state-of-the-art，并且对于句内关系在精确率和召回率方面更平衡。

详情参见链接：论文笔记–Neural Relation Extraction Within and Across Sentence Boundaries

6、Jointly Extracting Multiple Triplets with Multilayer Translation Constraints

AAAI 2019中关系抽取的论文。

该论文提出了一种名为TME的新模型，该模型可以通过转移机制的排名自适应发现多个三元组，并且在NYT数据集上相对于之前最好的模型在F1值上取得了37.6%的提升效果。

详情参见链接：论文笔记-Jointly Extracting Multiple Triplets with Multilayer Translation Constraint

7、Entity-Relation Extraction as Multi-turn Question Answering

本文是香侬科技在ACL 2019发表的论文。

在本文中，提出了一种新的实体关系提取任务范式。 将任务转换为多轮问答的问题，即实体和关系的提取被转换为从上下文识别答案跨度的任务。 这种多轮QA形式化具有以下几个关键优势：

• 首先，问题查询为我们想要识别的实体/关系类编码重要信息;
• 其次，质量保证提供了一种自然的实体和关系建模方式;
• 第三，它允许我们利用完善的机器阅读理解（MRC）模型。

详情参见链接：论文笔记–Entity-Relation Extraction as Multi-turn Question Answering

 

本文将会持续更新，欢迎对关系抽取感兴趣的大佬一起交流学习。