目录

摘要：

1 绪论

2 相关工作

3 方法

3.1 任务定义

3.2 特点于关系的角标记

3.3 基于评分的分类器

4 实验

4.1 实验设置

4.1.1 数据集和评估指标

4.1.2 实施细节

4.1.3 Baselines

4.2 结果与分析

4.2.1 主要结果

4.2.2 复杂场景的详细结果

4.2.3 不同子任务的结果

4.2.4 模型效率

4.2.5 关系的拓扑结构

5 结论

---

论文链接：https://arxiv.org/pdf/2203.05412.pdf

摘要：

现有方法局限性：现有方法通常将联合提取任务分解为几个基本模块或处理步骤，这样的范式忽略了三元组的三个元素相互依存且不可分割的事实，以前的联合方法存在级联错误和冗余信息的问题。

本论文方法：新的联合实体和关系提取模型，名为 OneRel，它将联合提取作为细粒度的三元分类问题；

具体阐述：模型由基于评分的分类器和特定关系的角标记策略组成；

前者评估token对和关系是否属于事实三元组；

后者确保了一个简单但有效的解码过程；

1 绪论

传统pipeline方法：将实体识别和关系分类视为两个独立的子任务，但pipeline方法忽略了两个子任务之间的交互，并且容易受到错误传播问题的影响；

联合模型：现有研究通常将联合提取分解为几个基本模块或处理步骤（Yu et al. 2020; Zhao et al. 2021b）；

如下图所示，根据三元组的提取过程，这些方法分为两类：多模块多步和多模块一步；

（现有方法和本模型方法的提取过程。虚线箭头表示三元组之间的依赖关系。请注意，多模块多步方法中有各种提取范式，例如，(h,t) → r, h → r → t, r → (h,t)。作者只是用 h → r → t 来说明这种方法的缺点）

第一类：级联分类框架中利用不同的模块(Fu, Li，和Ma 2019;袁等，2020;魏等，2020;郑等，2021;Zhao et al. 2021a,b)或文本生成(Zeng et al. 2018;曾，张，刘2020;Ye et al. 2021)逐步获取实体和关系；

缺陷：虽然很有希望，但这种模型存在级联错误的问题，因为早期步骤中的错误可能会影响后面步骤的预测结果；

第二类：尝试分别识别实体和关系，然后根据它们的潜在相关性将它们组合成三元组（Wang et al. 2020; Sui et al. 2020; Wang et al. 2021）；

缺陷：由于单独识别过程中实体和关系之间的相互约束不足，这种方法往往会产生冗余信息，导致组装三元组时出错（Zheng et al. 2017）；

主要原因：产生上述问题的根本原因在于基于分解的范式忽略了三元结构的一个重要性质——三元结构的头实体、关系实体和尾实体是相互依存、不可分割的，换句话说，在没有完全感知其他两个元素的信息的情况下提取一个元素是不可靠的；

本模型想法：为了填补这一空白，作者尝试从三元组分类的角度完成联合提取任务；

例如，如上图所示，“Bionico”和“Mexico”是句子中的两个词，Country 是预定义的关系，它们都在训练数据中可见。直观上，三元组（Bionico，Country，Mexico）可以通过判断其正确性直接识别。该想法带来以下三个优点：

首先，头实体、关系和尾实体同时输入到一个分类模块中，可以充分捕捉三元组之间的依赖关系，从而减少冗余信息；

其次，仅使用一步分类，可以有效避免级联错误；

第三，单模块一步的简单架构使网络变得简单且易于训练；

本文模型：一种新的联合实体和关系提取模型，名为 OneRel，通过单个模块一步从非结构化文本中提取所有三元组；

一个实体可能由多个token组成，作者设计了一个基于评分的分类器，并将联合提取任务转换为细粒度的三元组分类问题；

对于一个标记对 和一个预定义的关系，基于评分的分类器测量组合 的正确性，如果它有效，将分配一个有意义的标记，否则为“-”;

模型输入：一个句子：

模型输出：一个三维矩阵，每个条目对应于 的分类结果；

为了准确有效地从输出矩阵中解码实体和关系，作者引入了一种新的特定关系的角标记（Rel-Spec Horns Tagging）策略来确定头部实体和尾部实体的边界标记；

作者提供了一种将联合提取转换为细粒度三元组分类的新视角，从而可以同时捕获头部实体、关系和尾部实体的信息；

引入了一种新颖的基于评分的分类器和一种 Rel-Spec Horns 标记策略。前者负责并行标注，后者保证高效解码；

在两个公共数据集上评估模型，结果表明该方法比最先进的基线表现更好，特别是对于重叠三元组的复杂场景；

2 相关工作

现有的联合方法根据其提取三元组的过程大致可分为两类：

第一类是多模块多步骤：它使用不同的模块和相互关联的处理步骤来连续提取实体和关系。例如，一系列方法首先识别句子中的所有实体，然后在每个实体对之间进行关系分类（Katiyar and Cardie 2017; Tan et al. 2019; Fu, Li, and Ma 2019; Liu et al. 2020）；

或者：首先检测句子表达的关系，而不是保留所有冗余关系；然后预测头部实体和尾部实体（Zeng et al. 2018; Yuan et al. 2020; Zheng et al. 2021; Ma, Ren, and Zhang 2021）；

或者：首先区分所有头部实体，然后通过序列标记或问答来推断对应关系和尾部实体（Wei et al. 2020; Yu et al. 2020; Zhao et al. 2021a,b; Ye et al. al. 2021)；

尽管取得了成功，但多模块多步骤方法存在级联错误问题，因为早期步骤中的错误无法在后续步骤中纠正；

第二类是多模块一步：并行提取实体和关系，然后将它们组合成三元组；

例如，Miwa 和​​ Bansal（2016 年）；张、张和傅（2017）；王等人(2020, 2021) 将实体识别和关系分类视为填表问题，其中每个条目代表两个单独单词之间的交互；

隋等人（2020）将联合提取任务制定为一个集合预测问题，避免考虑多个三元组的预测顺序；然而，由于单独识别过程中实体和关系之间的相互约束不足，这种多模块一步法不能完全捕捉预测实体和关系之间的依赖关系，导致三元组构建过程中的信息冗余；

经典模型 Novel-Tagging (Zhang, Zhang, and Fu 2017) 设计了一种复杂的标记策略来建立实体和关系之间的联系，并且还可以一步从句子中识别三元组。然而，这种技术不能处理重叠的情况，因为它假设每个实体对最多持有一个关系。

本论文方法：联合提取任务视为细粒度的三元分类问题，能够以单模块一步的方式从句子中提取三元组；

该方法可以大大解决上述级联错误和冗余信息。

3 方法

在本节中，首先给出任务定义和符号。然后，介绍了 Rel-Spec Horns Tagging 策略及其解码算法。最后，提供了基于评分的分类器的详细形式化。

3.1 任务定义

给定一个句子 ，具有 L 个标记和 K 个预定义关系 ;

联合实体和关系抽取的目的是识别S中所有可能的三元组，其中N是三元组的个数;

是组成的头实体和尾实体几个连续的token，即 entity.span = ，其中 是指  与  的串联;

不同的三元组可能共享重叠的实体，这对联合提取任务提出了很大的挑战（Zeng et al. 2018）;

3.2 特点于关系的角标记

对于一个句子，作者设计了一个分类器来为所有可能的 组合分配标签，其中 ；

作者维护一个三维矩阵 来存储分类结果（标签）。因此，在测试阶段的任务是从矩阵 M 中解码实体和关系（Decoding）；

标记使用“BIE”（Begin、Inside、End）标志来指示token在实体中的位置信息；

例如，“HB”表示头部实体的开始标记，“TE”表示尾部实体的结束标记;

如下图（a）所示，对于一个表达三元组的句子（New York City，Located in，New York State），关系特定子矩阵中有九个特殊标签（蓝色标签）

(Rel-Spec角标记的示例。为了便于解释，作者举例说明具有给定关系的子矩阵，例如，Located in。因此，矩阵M退化为二维，其中行表示头实体，列表示尾实体)

根据可以通过检测其边界token来确定实体的想法（Wei et al. 2020），作者的标记策略中使用了四种类型的标记：

（1）HB-TB。这个标签是指两个位置分别是成对的头和尾的开始标记，条件是特定的关系。例如，“New York City”和“New York State”这两个实体之间有一个关系Location in，因此，组合的分类标签（“New”，Location in，“New”）被赋予标签“HB-TB”；

(2) HB-TE。这个标签意味着对应于行的token是头实体的开始，而对应于列的标记是尾实体的结尾。例如，“New”是“New York City”的开始记号，“State”是“New York State”的结束记号，所以（“New”，Location in，“State”）的组合被赋值为标签“HB-TE”；

(3) HE-TE。该标记与“HB-TB”共享类似的逻辑，这意味着两个位置分别是基于特定关系的成对头部实体和尾部实体的结束标记。例如，“City”，“Located in”，“State”的组合被赋以“HE-TE”。

(4) “-”。上述三种情况以外的所有单元格都将标记为“-”。从下图（b）和（c）可以看出，因为只需要标注矩形的三个角，形象地把这种方法命名为Rel-Spec Horns Tagging。

显然，标记矩阵 M 是稀疏的，它具有以下优点：

首先，使用三个而不是九个特殊标签可以有效地缩小进行分类时的潜在搜索空间；

其次，稀疏的 M 意味着在训练过程中有足够的负样本；

第三，M 的稀疏性保证了三元组解码的简单性和效率；

此外，Rel-Spec Horns Tagging 可以自然地处理具有重叠模式的复杂场景。

具体来说，对于 EntityPairOverlap (EPO) 情况，实体对将根据它们的关系标记在不同的子矩阵中；

例如在上图 （a） 和 (b) 中，(New York City, Located in, New York State) 和 (New York State, Contains, New York City) 是两个 EPO 三元组，因此，这两个实体对被标记在 和 ；

对于 SingleEntityOverlap (SEO) 场景，如果两个三元组包含相同的关系，则这两个实体对将被标记在 的不同部分，否则它们将根据它们的关系被标记在不同的子矩阵中。

对于最复杂的 HeadTailOverlap (HTO)（当三元组由（subject、关系、object）表示时，HTO 也称为 SOO） 模式，例如上图(c) 中的三元组（New York City, City Name, New York），实体对（红色标签）位于 的对角线附近，仍然可以轻松解码；

被标记的矩阵标记成对的头实体和尾实体的边界token，以及它们之间的关系。因此，从M解码三元组变得简单而直接：

即，对于每个关系，头实体的跨度从“HB-TE”拼接到“HE-TE”;尾部实体的跨度由“HB-TB”拼接到“HB-TE”;两个成对的实体共享相同的“HB-TE”。

3.3 基于评分的分类器

对于输入句子，作者使用预训练的 BERT (Devlin et al. 2019) 作为句子编码器来捕获每个标记的 d 维标记嵌入 ：

其中  是每个标记的输入表示。它是相应token嵌入和位置嵌入的总和；

然后，枚举所有可能的 组合并设计一个分类器来分配标签，其中  是随机初始化的关系表示；

直观地说，可以使用一个输入为 的简单分类网络来实现这一目标。然而，这种直觉有​​两个缺陷：

一方面，简单的分类器不仅无法充分探索实体和关系之间的相互作用，而且难以对三元组的固有结构信息进行建模；

另一方面，使用  作为输入意味着模型需要执行至少  次计算来对所有组合进行分类，这在时间上是不可接受的；

受知识图谱嵌入技术的启发，作者借鉴了 HOLE (Nickel, Rosasco, and Poggio 2016) 的想法，其得分函数定义为：

其中 h，t 分别是头部和尾部表示。 表示循环相关，用于挖掘两个实体之间的潜在依赖关系。在这里，重新定义运算符作为非线性连接投影：

其中 ，b 是可训练的权重和偏差， 表示实体对表示的维度。 [; ] 是连接操作，φ(·) 是 ReLU 激活函数;

新得分函数定义带来了以下好处：

首先，分类器的得分函数可以与句子编码器的输出无缝连接;

其次，从实体特征到实体对表示的映射函数可以通过矩阵 W 自适应地学习；

第三，两个实体之间的串联是不可交换的，即 [h; t] = [t; h]，这对于建模不对称关系是必不可少的；

接下来，使用所有关系表示 来同时计算token对  的 的显着性，其中 4 是分类标签的数量。因此，该模型方法的最终得分函数定义为：

其中 v 是得分向量，drop(·) 表示用于防止过拟合的 dropout 策略 (Srivastava et al. 2014)。因此，仅用两层全连接网络(矩阵R也可视为可训练权重)就实现了并行评分，并将实际实现的处理步骤减少到L ×1 ×L，甚至优于TPLinker (Wang et al. 2020)。

此外，评分函数符合HOLE的思想，能够捕捉关系之间的相关性和互斥性，这将在实验中得到验证。

最后，将  的得分向量输入到 softmax 函数中以预测相应的标签：

OneRel 的目标函数定义为：

其中 表示从注释中获得的黄金标签。

4 实验

在本节中，进行了广泛的实验以验证所提出的 OneRel 的有效性并分析其特性；

4.1 实验设置

4.1.1 数据集和评估指标

根据之前的工作（Wei 等人 2020；Wang 等人 2020；Zheng 等人 2021），在两个广泛使用的数据集上评估模型和所有基线：NYT （Riedel、Yao 和 McCallum 2010）和 WebNLG（Gardent等人，2017）。

前者：是为远程监督关系提取而生成的；

后者： 最初是为自然语言生成 (NLG) 而创建的。

NYT 和 WebNLG 都有两个版本：第一个版本只注释实体的最后一个单词，另一个版本注释整个实体范围。将第一个版本的数据集表示为 NYT* 和 WebNLG*；

第二个版本表示为 NYT 和 WebNLG；

为了进一步研究所提出的 OneRel 处理复杂场景的能力，通过重叠模式和三元组来分割测试集。两个数据集的详细统计数据见下表。

实验中使用了三个标准评估指标，即微精度（Prec.）、召回率（Rec.）和 F1 分数（F1）；

在评估过程中，对 NYT* 和 WebNLG* 采用 Partial Match：提取的三元组（头、关系、尾）只有在头尾的关系和最后一个词都正确时才被认为是正确的；

并为 NYT 和 WebNLG 使用精确匹配：只有当两个实体和关系的整个跨度都完全匹配时，预测的三元组才被认为是正确的；

4.1.2 实施细节

在实验中，所有训练过程都是在配备 AMD 7742 2.25G CPU、256G 内存、单个 RTX 3090 GPU 和 Ubuntu 20.04 的工作站上完成的。

对于预训练的BERT，重用Huggingface发布的基础大小写英文模型，该模型包含12个Transformer block，隐藏尺寸d为768。在验证集上优化模型，并使用网格搜索来调整重要的超参数；

具体来说，批量大小在 NYT/WebNLG 上设置为 8/6，所有参数均通过 Adam 算法（Kingma 和 Ba 2015）进行优化，学习率为 1e-5。隐藏层的维度设置为3×d，式（4）中的dropout概率为0.1，最大序列长度设置为100；

4.1.3 Baselines

将模型与十个最先进的基线进行比较：GraphRel (Fu, Li, and Ma 2019), RSAN (Yuan et al. 2020), MHSA (Liu et al. 2020), CasRel (Wei et al. 2020) 2020), TPLinker (Wang et al. 2020), SPN (Sui et al. 2020), CGT (Ye et al. 2021), CasDE (Ma, Ren, and Zhang 2021), RIFRE (Zhao et al. 2021a), PRGC（郑等人，2021）；

GraphRel、RSAN 和 MHSA 中使用的句子编码器是 LSTM 网络，而其他基线使用预训练的 BERT 来获得特征表示。为了公平比较，所有基线的报告结果直接来自原始文献；

还进行了消融测试：OneRel− 是将 OneRel 的分类器替换为 。

4.2 结果与分析

4.2.1 主要结果

下表显示了模型在部分匹配和精确匹配方面与 NYT 和 WebNLG 上的 10 个基线的比较结果；

OneRel 优于所有十个基线，并在所有数据集上达到了最先进的 F1 分数。尤其是在 WebNLG∗ 和 WebNLG 上，OneRel 在所有三个评估指标上都获得了最佳性能，并且首次将 WebNLG 上的三个指标提高到 90% 以上；

OneRel 的出色表现归功于它的两个优点：首先，OneRel 从细粒度三元分类的角度解决了联合提取任务；

这样，在提取过程中可以同时结合实体和关系的信息，也可以减少冗余信息。其次，基于评分的分类器和Rel-Spec Horns Tagging的结合，直接完成了实体和关系的提取，有效避免了级联错误的问题。

与代表性的多模块多步PRGC方法相比，OneRel在WebNLG *和WebNLG上的f1评分的绝对增益分别为1.3和2.5。这表明一步同时提取实体和关系可以有效地解决级联错误问题；

此外，对于另一个采用四个独立标签来检测实体和关系的多模块一步模型 TPLinker，OneRel 在四个数据集上的绝对增益分别优于它 0.9、2.4、0.9 和 4.3。这些结果证实，使用一个模块一步提取所有三元组对于探索实体和关系之间的交互是有效的。这些都表明，One-module One-step有望成为完成联合提取任务的新范式；

还可以观察到，在基于 BERT 的模型中，OneRel− 实现了与 CasRel、TPLinker 和 CasDE 的竞争性能； OneRel 在所有数据集上都获得了最佳性能。除了 BERT，OneRel− 和 OneRel 分别只使用一层和两层全连接网络；

他们的架构比大多数基线要简单得多，也更容易训练。此外，OneRel 在所有数据集上的性能都比 OneRel- 好得多，这表明在设计分类器时捕获实体和关系之间的依赖关系至关重要。这个结论为在未来设计更强大的模型指明了方向。

4.2.2 复杂场景的详细结果

为了验证该模型方法处理重叠模式和多个三元组的能力，对 NYT* 和 WebNLG* 的不同子集进行了两次扩展实验。选择了四个强大的模型作为基线，详细结果如下表所示。

可以观察到，OneRel 在 18 个子集中的 13 个上取得了最好的 F1 分数，尤其是对于最复杂的 HTO 和 N ≥ 5 的情况；

HTO 模式包含两种情况：一种是嵌套实体，大多数先前应用的 无法准确识别，例如三元组（Bruce Lee、Family name、Lee）；

另一种是头部实体和尾部实体具有相同的词，例如“美国的土著美国人是该国的民族之一”这句话。在 WebNLG* 中表示三元组（States, ethnicGroup, States）。此外，一个 N ≥ 5 的句子可能同时包含 SEO、EPO 和 HTO 模式，这给现有方法带来了很大的挑战；

尽管如此，OneRel在HTO和N≥5的NYT *和WebNLG *上都取得了最好的性能，这充分证明了rel - spec Horns Tagging能够从设计上解决重叠的triple问题，并且在处理复杂场景时比基线更鲁棒；

4.2.3 不同子任务的结果

进一步探索了 OneRel 在不同子任务（即实体对识别和关系分类）上的性能。从下表中可以发现，OneRel 在 NYT* 的大多数测试实例和 WebNLG* 的所有指标上都优于所有基线。这些令人鼓舞的结果再次验证了方法：

有趣的是，四个模型在两个数据集上表现出相同的趋势：对于 NYT*，(h,t) 和 r 上的 F1 分数之间存在明显差距；对于 WebNLG*，(h,t) 和 r 的性能远高于 (h,r,t)。基于这一现象，之前的研究人员分析了实体对识别和三元组形成是联合提取任务的两个瓶颈（Sui et al. 2020）。认为，除了上述原因外，数据集的特征也是一个重要因素。

具体来说，NYT*包含许多 EPO 三元组，这意味着错误识别的实体对的影响远大于错误分类关系的影响。

假设一个句子表达三个三元组(Obama, President of, United States), (Obama, Live in, United States), (Obama, Place of birth, United States).如果一个关系被错误分类，r 的召回率可能是 0.67。而如果一个实体对被错误识别，(h,t) 上的召回率可能会下降到 0。相比之下，WebNLG* 中 EPO 模式的比例远小于 NYT*（3.6% vs 19.6%），因此，模型在实体对识别上的表现与在关系分类上的表现一致。此外，WebNLG* 包含比 NYT* 更多的关系（171 对 24），其中一些令人困惑，例如，Leader 和 LeaderName。因此，WebNLG∗ 上的三元组比 NYT∗ 更难；

4.2.4 模型效率

在两个数据集 NYT* 和 WebNLG* 中评估了最相似基线 TPLinker 的训练时间和推理时间的模型效率，结果如下表所示。在本实验中，两个模型的批量大小在训练和测试期间分别设置为 6 和 1，输入句子的最大长度为 100。

虽然两种模型的理论复杂度均为，但OneRel在并行处理方面优于TPLinker，即OneRel一次处理K个关系，而TPLinker每一步处理一个关系。

因此，当关系的大小从 24 (NYT∗) 增加到 171 (WebNLG∗) 时，OneRel 的训练时间从比 TPLinker 快 1.3 倍增加到惊人的 6.8 倍。与在 Training Time 中观察到的相反，OneRel 的 F1 分数比 TPLinker 的要好得多。这证实了提出的分类器的效率和学习能力。此外，OneRel 的推理时间与 TPLinker 在 NYT∗ 和 WebNLG∗ 上的推理时间相似，这说明了提出的 Rel-Spec Horns Tagging 的有效性和合理性。

4.2.5 关系的拓扑结构

基于评分的分类器借鉴了 HOLE 的思想（Nickel, Rosasco, and Poggio 2016），理论上，它也应该能够学习关系之间的相关性和互斥性。为了验证分类器的学习能力，通过 t-SNE (Maaten and Hinton 2008) 可视化 NYT 的关系表示，这是一种非线性降维算法。

省略了6个在整个训练集中出现次数少于50次的长尾关系，结果如下图所示。可以观察到，关系的拓扑结构反映了它们内在的联系：

例如，与人相关的关系在图的左侧，而与位置相关的关系在图的右侧。

尤其是居住地、出生地和死亡地的空间位置非常接近，这符合我们的常识。此属性对于预测 EPO 三元组至关重要。也就是说，如果模型预测了一个实体对的关系出生地，可以推断该实体对可能拥有另一个以高概率存在的关系地。这些都表明该方法不仅学习了特定数据集的特征，而且学习了符合现实世界的一般知识。因此，OneRel 可能具有泛化能力；

5 结论

在本文中，提供了一种将联合提取任务转换为细粒度三元分类问题的新视角，并提出了一种新的联合模型，该模型具有基于评分的分类器和 Rel-Spec Horns Tagging 策略来获得一个三元组一步模块，极大地缓解了级联错误和冗余信息的问题。在公共数据集上的实验表明，该模型在不同场景下的表现优于最先进的方法。

未来，希望探索以下方向：

• 为了提高模型的效率，设计了一个简化版本的 HOLE 作为评分函数。接下来将尝试设计一个更高效、更强大的评分函数，以进一步增强其捕捉实体和关系之间联系的能力；

• 希望在其他信息提取问题（例如事件提取）中探索三元组分类的概念；

论文阅读-OneRel: Joint Entity and Relation Extraction with One Module in One Step- CCF A- AAAI 2022相关推荐

1. 论文学习11-Adversarial training for multi-context joint entity and relation extraction(实体关系买抽取模型，对抗学习

   文章目录 1. introduction 2.相关工作 3.Model 3.1 Joint learning as head selection 3.2 AT 4.实验设置 5.结果 6.总结 实体关 ...

2. 文献学习02-Effective Modeling of Encoder-Decoder Architcture for Joint Entity and Relation Extraction

   论文信息 (1)题目:Effective Modeling of Encoder-Decoder Architecture for Joint Entity and Relation Extracti ...

3. 20-Joint entity and relation extraction based on a hybrid neural network(LSTM-ED+CNN),考虑长距离的实体标签之间的关

   文章目录 abstract 1.introduction 2.相关工作 2.1. Named entity recognition 2.2. Relation classification 2.3 联合 ...

4. PURE(A Frustratingly Easy Approach for Entity and Relation Extraction)

   写作动机(Movitation): 假设驱动:作者认为现有的表征仅仅只学习到了实体和上下文之间的联系,并没有学习到实体对之间的依赖关系. 相关工作(Related Work): 联合学习的子任务: 1 ...

5. 论文浅尝 | EARL: Joint Entity and Relation Linking for QA over KG

   Mohnish Dubey, Debayan Banerjee, Debanjan Chaudhuri, Jens Lehmann: EARL: Joint Entity and Relation L ...

6. A Frustratingly Easy Approach for Entity and Relation Extraction 论文阅读

   一.概述 论文:https://paperswithcode.com/paper/a-frustratingly-easy-approach-for-joint 解读:https://mp.weixi ...

7. 【论文解读】A Frustratingly Easy Approach for Entity and Relation Extraction

   Abstract 对于实体识别和关系抽取的联合任务,大多数使用结构化预测模型或共享参数. 而作者使用一个简单的流水线模型实现.方法使用两个独立的编码器,关系抽取的输入仅仅是实体识别的结果. 通过实验, ...

8. 论文浅尝 | Distant Supervision for Relation Extraction

   Citation: Ji,G., Liu, K., He, S., & Zhao, J. (2017). Distant Supervision for RelationExtraction ...

9. [论文阅读] ICCV2015 Joint Fine-Tuning in Deep Neural Networks for Facial Expression Recognition

   Joint Fine-Tuning in Deep Neural Networks for Facial Expression Recognition 论文链接:https://ieeexplore. ...

10. [论文阅读]A Joint Training Dual-MRC Framework for Aspect Based Sentiment Analysis

    摘要 基于方面的情感分析 (ABSA) 涉及三个基本子任务:方面术语提取.观点术语提取和方面级情感分类.早期的工作只专注于单独解决这些子任务之一.最近的一些工作集中在解决两个子任务的组合,例如,提取方 ...

最新文章

1. 如何通过动态生成Html灵活实现DataGrid分类统计的界面显示功能
2. PDD 笔试反思记录
3. Java中主线程如何捕获子线程抛出的异常
4. 【深度学习笔记】SIFT特征和SURF特征比较
5. android简单服务器的搭建
6. Ubuntu C++ Thread Sleep
7. mysql sql wait 写法_有关SQL语句写法注意的那些事情（原创整理）
8. springmvc限流解决方案
9. NAND FLASH Controler for IMX31
10. 经典面试题(30)：以下代码将输出的结果是什么？
11. PHP set_error_handler()函数的使用【转载】
12. radius服务器认证系统,TekRadius(RADIUS服务器)
13. 鸿蒙曰意心养翻译,文言文情话及翻译
14. 三种call解释（一）： cdcall stdcall naked call等在hook时，保持堆栈平衡
15. java Object数组转为int类型数组
16. 这些惹人嫌的说话方式，你有吗？
17. [Xcelsius]BI展现工具之Xcelsius
18. Go 每日一库之 go-flags
19. 鸿蒙系统手机游戏,鸿蒙系统官网下载手机
20. Javascript的Event对象

热门文章

1. ai建立使用图案_用人工智能设计超酷T恤，除了那专属感，还透露了这些时装设计大趋势 || 万有AI...
2. 程序员VS产品经理的世纪之争
3. 【洛谷P4826】Superbull S【最大生成树】
4. 微服务通用的“用户角色权限”平台设计
5. Python（高级FTP作业）
6. 从零开始学前端：查找替换+进度条+随机颜色+随机选择今日任务 --- 今天你学习了吗？（JS：Day18）
7. 【转】伽利略卫星导航定位系统
8. 关于RC电路特点以及几种常见的典型应用
9. 利用redis，模拟控制库存消耗场景
10. AutoLeaders控制组——C51单片机学习笔记--定时器串口通信LED点阵屏