实体关系抽取几篇论文

1、《A Unified MRC Framework for Named Entity Recognition》

paper:https://arxiv.org/pdf/1910.11476.pdf
code:https://github.com/ShannonAI/mrc-for-flat-nested-ner

摘要：提出了一种基于MRC的框架提高了Flat NER和Nested NER的准确率，尤其是在Nested NER上效果的提升。

模型：基于阅读理解式的就需要构造query获得answer，先看query的构造：

这种query是实体类别的一种描述，尽可能的通用和精确，可以使用解释概念或者提及。这种构造query的方式加入了标签的先验知识。

模型输入（基于bert）：

Span selection:

有两种形式：
一、使用两个 n-class 分类器，其中 n 表示输入序列『X』的长度，等同所有的 token 的数量，第一个 classifier 判断所有的 token 中哪个最有可能是 start index ，第二个 classifier 判断哪个最有可能是 end index 。由于，每个分类器都使用 softmax 作用于 X 的所有 token 上面，因此，只能得到单个范围的 span ；二、使用两个 binary 分类器，对每个token都进行预测，第一个 classifier 预测每个 token 是否是 start index ，第二个 classifier 预测每个 token 是否是 end index ，因此，这种策略允许输出多个 start index 和 end index ，这样就可以输出多个与 query 相关联的 span ，本文选择较为合理的第二种策略。

Start-End Matching

因为在文本中有同一个类别的多个实体（距离最近原则不适应嵌套的实体），我们需要找到匹配的起始位置。对于可能的start，end：
加入一个二分类器来判断他们是否匹配：

损失函数：

**优点：**在query中加入了先验知识，可以解决Nested NER问题。

**缺点：**同一个样本要复制N（实体类别数目）次来构造所有实体类型的query。

2、《FLAT: Chinese NER Using Flat-Lattice Transformer》

paper:https://arxiv.org/pdf/2004.11795.pdf
code:https://github.com/LeeSureman/Flat-Lattice-Transformer

Lattice这种加入词汇信息的都属于词汇增强方式。

Lattice NER的缺点：

1、双向LSTM效率低，很难利用GPU并行计算；

2、只针对LSTM结构进行了改进，无法迁移至其他模型。

**摘要：**本文针对中文NER，提出了一种Flat-lattice Transformer结构，将lattice结构展平，利用transformer结构和精心设计的位置编码，能够充分利用lattice信息并有较好的并行能力。

Flat-Lattice框架：

这里为每一个token设计了head position and tail position。对于每一个字符，它的head和tail是相同的，对于一个词，head和tail分别为词的起始index。我们可以通过词典来获得所有字符的lattice，就可以将它扁平化了。

Spans的相对位置编码

Flat-lattice结构包含了不同长度的spans，为了编码每个span之间的内在联系，作者提出了spans的相对位置编码。对于在lattice中的2个span，xi xj,他们之间有三种关系，intersection ,inclusion and separation，是哪种关系取决于头和尾，论文使用一个Dense向量去建模他们的关系，而不是直接编码三种关系。它是通过头尾信息的连续变换来计算的， 由此，作者认为，这样不仅可以表示两个token之间的关系，还可以蕴含一些细节信息，比如，字符和词之间的距离。来看具体表示，Head[i]和tail[i]表示span x[i]的头和尾，4种距离可以表明x[i]和x[j]之间的关系：

举个例子：
最后span的相对位置编码是一个简单的四个距离的非线性变换：


最后接一层CRF。

3、《A Novel Cascade Binary Tagging Framework for Relational Triple Extraction》

paper:https://arxiv.org/pdf/1909.03227.pdf
code:https://github.com/weizhepei/CasRel

摘要：提出了一种新的级联框架可以从句子中抽取多个关系三元组。

实体关系抽取中几种情况：

• Normal：一个实体参与一个关系
• EPO：同一对实体有两种不同的关系
• SEO：一个实体参与到多个关系中

针对上述问题，论文提出 a novel cascade binary tagging framework(CASREL)来解决，直接来看模型框架：

本模型使用bert进行编码，然后找出句子中所有可能的subject，subject的开始和结束都用1表示，不是边界的词用0表示，使用就近原则来确定subject。然后对于每一个subject，对subject_head和subject_tail做平均，加到bert的编码中，加一个n-class分类器，遍历每一种关系，同时识别关系和object，如果存在某种关系，则获得object的起始位置，如果不存在，则起始位置都是0，如上图。

4、《A Frustratingly Easy Approach for Joint Entity and Relation Extraction》

paper:https://arxiv.org/pdf/2010.12812.pdf

先来介绍两种实体提取方法：

• 片段排列+分类
  对片段进行排列，排列所有可能提取的span，然后加softmax对每一个span进行分类。
  
  因为选择了所有可能的span，所以解决了Nested NER问题。但是对于含有T个token的文本，理论上有N=T(T+1)/2种片段排列。如果文本过长，就会产生大量的负样本，在实际中需要限制span的长度合理消减负样本。
• 加入标志符信息
  如图所示，在实体前后加入标志符，强化实体表征，然后将[E1]和[/E1]向量contact再进行关系分类。
  
  在这篇paper中，所采取的pipeline模型如下：
  

（a） Entity model: 片段排列+分类
（b） Relation model: 对所有的实体pair进行关系分类。其中最重要的一点改进，就是将实体边界和类型作为标识符加入到实体Span前后，然后作为关系模型的input。例如，对于实体pair（Subject和Object）可分别在其对应的实体前后插入以下标识符：和：代表实体类型为Method的Subject，S是实体span的第一个token，/S是最后一个token； 和：代表实体类型为Method的Object，O是实体span的第一个token，/O是最后一个token；对于关系模型，对每个实体pair中第一个token的编码进行concatenate，然后进行SoftMax分类。
（c） 近似模型

需要指出的是，上述实体模型和关系模型分别采取两个独立的预训练模型进行编码（不共享参数）。

对于这种关系模型，我们不难发现：对每个实体pair都要轮流进行关系分类，也就是同一文本要进行多次编码。

为解决这一问题，提出了一种加速的近似模型（如上图c所示）：可将实体边界和类型的标识符放入到文本之后，然后与原文对应实体共享位置向量。上图中相同的颜色代表共享相同的位置向量。实验结果表明，这样可以提速8-16倍,对精度的损失只有一点点，可忽略。

cross-sentence

为了加入上下文特征，有的做法是将上下文中句子加入进来，比如加入上下文3个句子。本文作者认为，一个好的预训练模型有能力捕捉长距离信息，作者简单的将上下文固定窗口的信息加入到实体模型和关系模型。即在左右两端分别加入（W-n）/2个词信息，n为文本长度，W为窗口大小，论文中实验W=100.

从实验结果上看，本文提出的方法较其他方法提高很大，为什么有如此好的表现，作者也进行了分析：

1.实体和关系模型的上下文表示本质上捕获不同的信息，因此共享它们的表示会影响效果；
2.在关系模型的输入层融合实体信息（包括边界信息和类型信息）至关重要；
3.利用跨句（cross-sentence）信息在这两项任务中都很有用；
4.更强大的预先训练语言模型可以带来进一步的收益。

由此，作者期望这个简单的模型能作为一个很强的基线，让我们重新思考联合训练在端到端关系抽取中的价值。