admin管理员组

文章数量:1530842

https://arxiv/pdf/2106.09895

先指出TPLinker存在的问题:为了避免曝光偏差,它利用了相当复杂的解码器,导致了稀疏的标签,关系冗余,基于span的提取能力差

作者提出新的模型,包括三部分:

  1. Potential Relation Prediction
  2. Relation-Specific Sequence Tagging
  3. Global Correspondence

对于主客体对齐,设计了一个关系无关的全局对应矩阵,用于确定特定的主客体。
给定一个句子,模型先预测一个可能存在关系的子集,以及得到一个全局矩阵。
然后执行序列标注,标注存在的主体客体。
最后枚举所有实体对,由全局矩阵裁剪。
尽管它引入了通常提到的曝光偏差,但是仍有优越性。

编码器

bert

Potential Relation Prediction预测关系

首先预测潜在关系的子集,只需要从这些潜在实体里提取子集。

给定embedding h,潜在关系预测模块如下:

本文标签: 论文RelationGlobalpotentialCorrespondence