Discriminative Reasoning for Document-level Relation Extraction

1.问题和解决的问题

在执行多跳图卷积之后，将两个实体的特征表示连接起来，通过分类器识别它们之间的关系，在DocRE任务中实现最先进的性能，但是，在本文档中，对这些推理技能进行隐式建模是否与一对实体之间的直观推理技能具有竞争性尚待观察。问题：先进的DocRE模型通常使用通用的多跳卷积网络来隐含地模拟这些推理技能，而不明确地考虑上述直观推理技能，这可能会阻碍DocRE的进一步改进。

具体而言，在Xu等人的元路径策略的启发下，我们从输入文档中有区别地提取了三种推理技能的推理路径。因此，设计了一种判别推理网络，基于每个实体对的构造图和矢量化文档上下文来估计不同推理路径的关系概率分布，从而识别它们之间的关系

2.做出的工作

*我们提出了一个判别推理框架来模拟文档中两个实体之间的推理能力。据我们所知，这是第一项明确建模不同推理技能以增强文档的工作。

*此外，我们引入了一个判别推理网络来对基于构造的异构图和矢量化原始文档的推理路径进行编码，从而通过分类器识别两个实体之间的关系。

*大规模DocRE数据集上的实验结果表明了该方法的有效性，特别是优于最近最先进的DocRE模型。

3.DRN（discriminative reasoning）框架

判别推理框架包含三部分：推理路径的定义，判别推理的建模和基于多推理的关系分类。

m（代表mention）

s1代表在第一句

i就是句子内哪一个m

推理的三条路径：

1）句子内推理

当一个实体对出现同一条句子里面的时候

2）逻辑推理

3）共指推理（CO）

4.异构图的表达（Heterogeneous Graph Context Representation）

每一个单词实体嵌入类型，和co信息

异构图

ES（一条句子里面跟所有的实体相连）

SS(相邻的句子相连)

EM（实体跟他本身的mention相连）

CO（实体和它本身的mention相连）

MM（在相同的句子中所有mention相互连接）

MS（一条句子里面跟所有的mention相连）

异构图过一次multi-hop graph convolutional network

5整个模型图

首先把每个单词词嵌入变成向量，然后通过两个部分，第一块是异构图(用到了multi-hop GCN）为了让节点与节点之间学到彼此的特征信息，第二块是通过document-level context获取到单词与上下文的联系（用到的是self-attention）

学到彼此的特征信息，第二块是通过document-level context获取到单词与上下文的联系（用到的是self-attention）

然后把两个同事放入DRN框架中然后通过一个mlp（多层感知机）