ACL2019: 《GraphRel: Modeling Text as Relational Graphs for Joint Entity and Relation Extraction》源碼解析

論文地址：《GraphRel: Modeling Text as Relational Graphs for Joint Entity and Relation Extraction》

GitHub地址：GraphRel

提出一種端到端關係抽取模型GraphRel，該模型利用圖卷積網絡（GCNs）來聯合學習命名實體和實體間關係。與以往的baseline相比，咱們經過關係加權GCN來考慮命名實體和關係之間的交互，以更好地提取關係。線性結構和依存句法結構用來提取文本的序列特徵和區域特徵，而完整的詞圖則進一步用於提取文本全部詞對之間的潛在特徵。利用基於圖的方法，對重疊關係的預測比之前的順序方法有了實質性的改進。咱們在兩個公開數據集上評估GraphRel: NYT和WebNLG。結果代表，GraphRel在保持較高的查準率（Precision）的同時，顯著提升了查全率（Recall）。此外，GraphRel的性能比以前的研究分別提升了3.2%和5.8%（F1分數），爲關係抽取提供了一個新的技術水平。

下圖爲本文模型結構:

 

 

 在第一階段，咱們採用BiRNN和GCN兩種方法來提取順序依存詞和區域依存詞的特徵。給定單詞特徵，咱們預測每一個單詞的關係和全部單詞的實體。而後，在第二階段，基於預測的第一階段的關係，咱們爲每個關係創建完整的關係圖，在每個圖上整合實體與實體之間的每個關係。

下圖爲Poster:

 

 

 如下爲源碼解析：

 

 

 以上。總結一下：本文idea比較新穎，值得細讀，是一篇真正的ACL頂會文章~