2020(AAAI)_Zeng_CopyMTL: Copy Mechanism for Joint Extraction of Entities and Relations with Multi-Task Learning

1.解决问题

1.1 CopyRE中难以区分三元组的首尾
chooses the highest probability as h, and the second highest would be chosen as t

1.2 CopyRE中难以完整的抽取实体
解决方法：增加一个实体识别模块对结果进行校正

2.现有方法

论文中认为：Table-filling和Tagging方法存在计算量过大的问题
2018CopyRE：经典的Seq2Seq模型：采用了copy mechenism
在已知关系类别条件下：复制实体

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