来源：ACL2017
Joint extraction of entities and relations :监测实体和他们之间的关系，同时的，from unstructured text。
Open IE：relation words 从给定的句子中提取，relation words are extracted from a predefined relation set which may not appear in the given sentence.
过去的方法：pipelined manner，例如先提取实体，然后识别他们的关系。简单，灵活，但是忽视了两个任务之间的关系，每个任务都是独立的。 实体识别的结果会影响关系分类并导致错误。
joint learning framework：可以有效的集成实体和关系的信息。大多数现有的joint method are feature-based structured system。他们需要复杂的特征，依赖其他NLP toolkits，可能导致错误的propagation。
Miwa and Bansal, 2016提出一种端到端的实体和关系的提取，尽管实体和关系共享参数，它还是可以分别提取实体和关系。
本文提出：tagging schema 结合端对端的模型，转换成tagging problem。有监督学习方法。自己标注会很耗费精力和有错误，本文使用公开的数据集。
本文主要的contribution：（1）tagging scheme（2）tagging-based methods are better than most of the existing pipelined and joint learning methods（3）Furthermore，we also develop an end-to-end model with biased loss function to suit for the novel tags。It can enhance the association between related entities
Method：
本文提出一种tagging机制的端对端的模型，该模型有有偏的目标函数，联合提取实体和它们之间的关系。
如果一个句子中包含多个相同的关系类型，以就近原则结合两个实体。
BIES(Begin, Inside, End, Single)：实体中的位置信息
An extracted result is represented by a triplet：(Entity1, RelationType, Entity2).
End-to-end Model：
Model
包含一个Bi-LSTM层用来encode输入句子，和一个LSTM的decoding层，该层包含biased loss。Biased loss可以enhance实体tag之间的关系。
The Bi-LSTM encoding layer: 包含一个前向lstm层，一个后向lstm层和一个连接层(concatenate layer)。 word embedding层将词从1-hot representation转换成embedding vector。因此，一系列的词可以表示成：W = {w1, ... wt, wt+1, ... , wn}。 wt是一个d维词向量，word vector，代表句长为n的第t个词向量。
在word embedding layer之后，有两个平行的LSTM层：前向LSTM和后向LSTM
BiLSTM:
BiLSTM
前向LSTM层encode w1到wt上下文的信息，后向LSTM层encode wn到wt的上下文信息。最后的encoding信息是：
wt的encoding
LSTM decoding层：
作为生成tag序列，decoding层的输入是，从Bi-LSTM获取的ht，之前预测的tag embedding，Tt-1，之前的单元值c(t-1)，和decoding层之前的h(t-1) 。
最终的softmax层可以计算归一化的实体tag概率，基于tag预测向量Tt：
softmax
Bias Objective Function：
最大化数据的对数似然，优化方法是用RM-Sprop，由Hinton提出的，目标函数：
目标函数
该函数中 |D|是整个训练集的大小，Lj是句子xj的长度，yt(j)是句子xj中t位置的label。pt(j)是公式15定义的归一化的tag的概率。除此之外，I(O)是区别tag"O"和关系tag之间的loss的
区别O和tag之间的loss
a是一个有偏的权重，a越大，关系tag对模型的影响越大。
Evaluation：
Precision， Recall，F1。与经典方法不同的是，我们的方法可以在不知道实体类型的情况下提取三元组，也就是说我们不需要使用实体类型，所以在evaluation时也不需要考虑实体类型。如果关系类型和两个实体都是正确的，这个三元组才正确 ？？？
网友评论