A Novel Cascade Binary Tagging Framework for Relational Triple Extraction

最新推荐文章于 2025-04-03 23:36:56 发布

「已注销」

最新推荐文章于 2025-04-03 23:36:56 发布

阅读量820

点赞数 1

CC 4.0 BY-SA版权

分类专栏：论文笔记文章标签：自然语言处理人工智能深度学习

本文链接：https://blog.youkuaiyun.com/Jeaksun/article/details/125483463

论文笔记专栏收录该内容

59 篇文章

订阅专栏

本文探讨了如何通过级联二级制框架解决句子中实体关系的重叠问题，SubjectTagger仅标记边界，而Relation-specificObjectTaggers则针对每个subject预测对应关系的object。模型在处理NYT数据集中复杂的关系时效率低，强调了优化复杂度的重要性。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

在这里插入图片描述

Abstract

本文提出了关系三元组重叠的问题（一个sentence中有多个三元组，其中三元组中有的实体是同一个）。本文将其建模为级联二级制框架，从原来的 $\rightarrow r$ 从实体对找关系的过程，变成 $fr(s)→of_r(s) \rightarrow o$ 给定头实体，针对头实体可能的关系，预测尾实体。即头实体不一定是subject，与multi-QA思想相似。
在这里插入图片描述

Model

在这里插入图片描述

给定标记好的句子 $x_j$ ，和 $x_j$ 中潜在的重叠实体三元组集 $T_j=\{(s,r,o)\}$ 。先找到 $s$ ，再对关系 $r$ ，找到其对应的 $o$

Subject Tagger

本文中的subject和object只需找到边界，无需确定类型，首先找到句子中所有的subject，用0,1类别判定，不识边界的用零表示，对于句子中的多个subject会出现多个间隔的1，此时用就进原则，这里并不能解决关系重叠问题啊
在这里插入图片描述

Relation-specific Object Taggers

针对每一个subject，遍历多有关系r，为每个关系确定一个object，如果object不存在，则用None表示。与头实体标记器直接解码BERT输出的向量不同，关系特定object标记器也考了头实体的特征
在这里插入图片描述
$v_{sub}^k$ 表示低层模块中的头实体表示向量，为了保持 $x_i$ 和 $v_{sub}^k$ 保持维度一致，如果头实体有多个词语组成，则选择使用 $v_{sub}^k$ 的平均向量。