任务：关系抽取

来源：COLING 2014

引言：

关系分类的任务是预测名词对之间的语义关系，可以定义为：给定一个句子，其名词对为e1和e2，我们的目标是识别出e1和e2之间的关系。所以其实就是句子层面的分类。

论文整体架构：

这一篇是关系抽取中一个比较经典的模型，其实就是一个CNN。输入是句子序列，包含的特征由sentence level features和lexical level features构成。输出是该句子中包含的实体e1和e2之间的关系类别。

模型整体架构

sentence level features：

模型的word representation部分将单词映射为词向量Word Features（即Figure 2中的WF部分），同时该论文在这一部分的工作还引入了位置向量，即获得句子中每个词与两个实体的相对位置距离，通过和词向量一样的方法，将距离映射成一个随机初始化的向量，如下图所示：

这样每个word都会有两个位置向量（即Figure 2中PF部分），将这两个向量和word本身的词向量拼接在一起作为输入，经过卷积操作后得到sentence level features。

lexical level features：

得到sentence level features之后，可以看到模型还拼接了lexical level features，这部分特征主要包括：

L1: 实体1本身

L2: 实体2本身

L3: 实体1的左右两个词

L4: 实体2的左右两个词

L5: WordNet中两个实体的上位词

这两部分特征拼接之后便可以通过全连接层和softmax进行分类了。从上图中可以看到，lexical level features的这些特征的拼接对模型分类还是有一定的作用的。

总结：

论文模型很简单，毕竟是很早的论文了，且也达到了当时的最佳效果。复现也比较简单，很适合入门。