本文主要詳細解讀關系抽取SOTA論文Two are Better than One:Joint Entity and Relation Extraction with Table-Sequence Encoders[1]， 順帶簡要介紹關系抽取的背景，方便完全不了解童鞋。

信息抽取

我們說的信息抽取一般是指從文本數(shù)據(jù)中抽取特定數(shù)據(jù)結構信息的一種手段。對于不同結構形式的數(shù)據(jù)如結構化文本，半結構化文本，自由文本，有各自對應的方案，其中從自由文本中抽取難度最大?？傊?，我們的目的是希望在海量文本中，快速抽出我們關注的事實。

了解信息抽取必須要知道關系抽取。

關系抽取

大部分情況下，我們喜歡用三元組的數(shù)據(jù)結構來描述抽取到的信息

三元組

三元組的表達能力非常豐富，幾乎所有事情都可以自然或者強行的表達成三元組，比如隨便一句”今天天氣真冷“ 表達為天氣-狀態(tài)-冷。

三元組與后續(xù)的知識圖譜工作非常適配，如Neo4j等圖數(shù)據(jù)庫就是以三元組為存儲單位，圖譜的查詢推斷等工具使用三元組比普通的關系型數(shù)據(jù)庫來的方便的多。

三元組千千萬，我應該怎么抽？

Schema

當我們拿到一個信息抽取的任務，需要明確我們抽取的是什么，”今天天氣真冷“，我們要抽的天氣的狀態(tài)天氣-狀態(tài)-冷，而非今天-氣候-冷(雖然也可以這樣抽)，因此一般會首先定義好我們要抽取的數(shù)據(jù)結構模式shcema, 會確定謂詞以及主語并與的類型

一個三元組schema的例子，其中Subject_type代表主語類型，Predicate是謂詞，Object_type指賓語類型：

Subject_type：人物 Predicate:出生地 Object_type:地點

確定了schema，我們一般如何抽取呢？

常規(guī)RE方案

目前主流關系抽取一般兩種解決方法

pipline兩步走:將關系抽取分解為NER任務和分類任務，NER任務標注主語或賓語，分類主要針對定義的schema中的有限個謂詞進行分類。根據(jù)具體任務不同，有些可能是兩步走或者三步走，pipline任務的順序先分類還是先標注也會有差異

Pipline優(yōu)勢：每一步分別針對各個任務進行，表征是task-specific， 相對來說精度較高

Pipline缺陷：- 任務有順序會存在誤差傳遞問題，即在預測時下一步任務會受上一步誤差影響，而在訓練階段沒有這種誤差，因此存在訓練和預測階段的gap- 分開的任務在一句話中多個實體關系時，比較難解決實體和關系的對應問題，以及重疊關系

joint learning：joint learing可以理解為采用多任務的方式，同時進行NER和關系分類任務, 在眾多joint learning中最出眾的是采用tabel filled 方式，即任務的輸出是filled一張有text-sequence構成的表，在表中的位置表達除了詞與詞的連接，該位置的標注則標出了謂語（如下圖）

優(yōu)勢：1. 兩個任務的表征有交互作用可能輔助任務的學習2. 不用訓練多個模型，一個模型解決問題，不存在訓練與預測時的gap

缺陷：1. 兩個任務的表征可能沖突，影響任務效果2. 解決了主謂賓之間的對應關系，無法解決重疊問題3. Fill table本質仍然是轉成sequence來fill，未能充分利用table結構信息（下文會解釋）

下面重點解讀table fill方式的一篇SOTA，解決了joint learning的多任務表征沖突以及為利用table結構信息

RE with Table Sequence

終于來到本篇的主題啦，為了解決一般filled table的問題， 作者提出table-sequence encoder的方法，分別對table和sequence做表征，本文的最大貢獻在于

分別對table和sequence做表征(encoder)，并設計了一個Table-Guided Attention來對table和sequence進行交互，這樣即不會完全共享表征導致對不同的任務表征沖突，也不會丟失表征的相互指導作用

在table encoder中采用多維GRU來捕獲更多的句子結構信息

在架構上table encoder和 sequence encoder多層交互

下面仔細介紹各個部分，看看它是如何神奇做到SOTA的

Text Embedder

在上圖的結構圖中，Text Embedder采用類似FLAT分別做了基于lstm的char()和word(),以及基于bert的word ()作為預訓練的embedding ，并拼接起來

圖中

Table Encoder

整個Table Encoder部分由多個Table Encoding的單元組成，每個Encoding單元的輸入分別是起始輸入,對應senquence結構的輸入,以及上一個Tabel Encoding單元的輸出，Table Encoding 采用MDRNN結構提取輸入的特征信息，作者在這選擇MDGRU（多維度GRU），tabel結構本身有2維，加上前后層實際有4維，但是層的維度信息單向流動，實際上是只用到了3個方向()

如圖所示，是來自sequence的輸入，作者分別測了使用所有方向和分別使用幾個方向，發(fā)現(xiàn)上圖中a,c效果類似，這種多維GRU全面的考慮了整個table的結構信息，即一個詞的狀態(tài)跟其他所有詞的狀態(tài)相關，并且受其他詞的不同程度的影響，這種影響程度由GRU門控機制控制

Sequence Encoder

sequence Encoder 也由多個sequence encoding夠成，sequence encoding結構直接采用transformer中的encoder

只不過將其中的self attention替換為table-guide attention,這種attention的改造非常巧妙，能更好捕捉word-word之間的關系

正常的dot attention如上圖

Table-Guided attention具體來說：

為參數(shù)矩陣

采用加性

是table encoder中的table的隱藏節(jié)點，該節(jié)點由多個方向的經過GRU編碼得到，不管是哪個方向它的來源始終是由構造而來，理論上是可以由擬合而來，因此這里直接由 來代替 ,也就是這個attention，其實是計算了table 結構中各個位置對該的權重，是一個四面八方attention

剩下就是transform中正常的LayerNorm 和殘差結構了

輸出和loss

輸出比較常規(guī),loss采用常規(guī)

輸出：

loss：

實驗 and 效果

作者在各個數(shù)據(jù)集上進行實驗，對比各個目前SOTA分別有一定的提高，且時效果最佳，模型參數(shù)量不到5M，要什么自行車，附上開源地址[2]，作者的代碼與論文在attention計算有一丟丟不一致，但是并不影響效果

責任編輯：xj

原文標題：關系抽取一步到位！

文章出處：【微信公眾號：深度學習自然語言處理】歡迎添加關注！文章轉載請注明出處。