ACL2019: 《GraphRel: Modeling Text as Relational Graphs for Joint Entity and Relation Extraction》源码解析

论文地址：《GraphRel: Modeling Text as Relational Graphs for Joint Entity and Relation Extraction》

GitHub地址：GraphRel

提出一种端到端关系抽取模型GraphRel，该模型利用图卷积网络（GCNs）来联合学习命名实体和实体间关系。与以往的baseline相比，咱们经过关系加权GCN来考虑命名实体和关系之间的交互，以更好地提取关系。线性结构和依存句法结构用来提取文本的序列特征和区域特征，而完整的词图则进一步用于提取文本全部词对之间的潜在特征。利用基于图的方法，对重叠关系的预测比之前的顺序方法有了实质性的改进。咱们在两个公开数据集上评估GraphRel: NYT和WebNLG。结果代表，GraphRel在保持较高的查准率（Precision）的同时，显著提升了查全率（Recall）。此外，GraphRel的性能比以前的研究分别提升了3.2%和5.8%（F1分数），为关系抽取提供了一个新的技术水平。

下图为本文模型结构:

 

 

 在第一阶段，咱们采用BiRNN和GCN两种方法来提取顺序依存词和区域依存词的特征。给定单词特征，咱们预测每一个单词的关系和全部单词的实体。而后，在第二阶段，基于预测的第一阶段的关系，咱们为每个关系创建完整的关系图，在每个图上整合实体与实体之间的每个关系。

下图为Poster:

 

 

 如下为源码解析：

 

 

 以上。总结一下：本文idea比较新颖，值得细读，是一篇真正的ACL顶会文章~