2020_Yuan_A Relation-Specific Attention Network for Joint Entity and Relation Extraction

1.解决问题

1.1 三元组实体重叠问题
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）
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
1.2 实体识别和关系分类两步骤之间的冗余操作（级联）
解决方法：并联；单步骤结构
（级联（在pipelined方法和jointmodel中均存在）：产生冗余操作；暴露偏差）

2.现有方法

2018~2019此类问题有一段中空期
joint模型（理解不是很深入）：基于特征工程和基于神经网络结构
存在2018年的CopyRe：解决关系三元组重叠问题

3.主要挑战

3.1 构建单步骤并联模型：RSAN
RSAN对不同类别句向量进行调整（针对就问题三元组重叠）；并联结构代替级联结构（针对级联产生的冗余操作问题）

4.设计方法

4.1 RSAN
创新点：级联的结构+对于不同类别调整每个单词的权重
出发点：对于不同关系，每个单词的贡献是不一样的
关键点：通过关系语义信息来指导实体抽取
RSAN在EPO重叠类型表现良好；ETL-Span在Normal上表现良好

5.级联方法总结

5.1 级联方法分为三种：
先识别实体，再关系分类：pipelined method
先识别主体，再于不同类别下识别客体：CasRel、ETL-Span和PA-LSTM
先关系分类，再识别实体：CopyRe和HRL
5.2 级联方法缺陷：
不同结构之间存在误差传递