2018_Wang_Joint Extraction of Entities and Relations Based on a Novel Graph Scheme

1.解决问题

1.1 三元组实体重叠问题
主流解决方法：根据不同类别调整学习（原因：实体重叠，关系不重叠）；
本文graph sheme（考虑到同一个实体在不同三元组中主客体位置不同）
分为两种主流：（1）根据不同类别调整句向量的参数：如SMHSA、RSAN
（2）根据不同类别调整神经网络的参数：如CasRel
（3）在图结构中考虑实体是头位置或者尾位置（类似于（2）核心想法近似于后来的CasRel）
1.2 实体识别和关系分类两步骤之间的独立误差（参数共享无法很好考虑实体和关系之间的关联）主要问题
解决方法：graph scheme

2.现有方法

2018为节点：主要解决的joint learning（关系抽取过程化操作的关联性）
joint模型（理解不是很深入）：主要的方法是参数共享 parameters shareing
存在2018年之前的主要问题是关系抽取的分步骤误差传递问题（在LSTM编码器的基础上采用不同的策略）；
三元组重叠问题研究热点逐渐兴起
注意：joint decoding方法：指的是对于关系三元组的标签联合在一起而不是独立分析

3.主要挑战

3.1 Based on our graph scheme, we propose a novel transition system to generate the directed graph
通过状态切换来确定实体之间的关系（强化独立步骤之间的联系）
注意：（graph scheme和树结构的研究不温不火）

4.设计方法

4.1 Graph Scheme
创新点：graph scheme, we propose a novel transition system 树结构的结构+对于不同类别调整每个单词的权重
出发点：??
关键点：??