关系抽取论文解读-Relation Extraction Perspective from Convolutional Neural Networks

29 Jul 2018 | relation-extraction |

关系抽取是从一个句子中判断出这个句子里面两个实体之间的关系。

比如给定句子：

1	"The system as described above has its greatest application in an arrayed <e1>configuration</e1> of antenna <e2>elements</e2>."
Component-Whole(e2,e1)
Comment: Not a collection: there is structure here, organisation.

上面的句子是数据集SemEval 2010 Task 8 数据集中的一个训练集的实际样本，1表示第一条句子，<e1>configuration</e1> 是指明了实体一， <e2>elements</e2>是指明了实体二，Component-Whole(e2,e1)表明了两个实体之间的关系是Component-Whole关系。Comment是对句子的一些描述信息。

数据集SemEval 2010 Task 8中关系是9种，为了区别正反（Cause-Effect(e1,e2)与Cause-Effect(e2,e1)看作是两种关系）和其他（other,有些句子中的实体关系不是给定的关系）一共是19种关系：

(1) Cause-Effect
(2) Instrument-Agency
(3) Product-Producer
(4) Content-Container
(5) Entity-Origin
(6) Entity-Destination
(7) Component-Whole
(8) Member-Collection
(9) Message-Topic

那么我们要根据训练集训练出的模型对句子中的关系进行预测。

A few days before the service, Tom Burris had thrown into Karen's <e1>casket</e1> his wedding <e2>ring</e2>.

上面就是测试例子，请给出两个实体之间的关系。这就是我们要做的关系抽取，现在的关系抽取都是有监督的关系抽取，还有半监督的，还有无监督的（开放域的实体关系抽取），这在深度学习中还是研究热点。

接下来就进入正文：

Relation Extraction:Perspective from Convolutional Neural Networks

【Nguyen T H, Grishman R. Relation Extraction: Perspective from Convolutional Neural Networks[C]// The Workshop on Vector Space Modeling for Natural Language Processing. 2015:39-48. 】

文章中主要使用的方法是多核卷积神经网络来进行关系抽取。