2018_Yang_A Ensemble Neural Relation Extraction with Adaptive Boosting

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）~~
1.3 数据分布不平衡 wrong labels and noisy data（常规问题：在大多标签模型中都存在，在关系抽取任务中由于远程监督的数据更为明显）
解决方法：The key role of adaptive boosting（为什么是自适应增强） in our model is re-weighting during the training process.

2.现有方法

2011年：multi-instance learning model with overlapping relations (MultiR) that combined a sentence-level extraction model for aggregating the individual facts.
？？？
/

3.主要挑战

3.1 构建自适应增强模型：AB
构建多分类器，不同分类器对于不同类别的关系三元组的抽取效果不同


4.设计方法

4.1 Ada-LSTMs
创新点：
出发点：对于不同关系，由于数据不平衡和标签错误
关键点：