论文
A Novel Cascade Binary Tagging Framework for Relational Triple Extraction
发布年份：2020
会议：ACL
作者：Zhepei Wei, Jianlin Su, Yue Wang, Yuan Tian, Yi Chang
机构：School of Artificial Intelligence, Jilin University
贡献：
- 以一种全新的视角去看待关系抽取任务，解决了 overlapping 问题。
数据集：NYT（定义了 24 种关系类型） 和 WebNLG（定义了 246 种关系类型）
github：[GitHub - weizhepei/CasRel: A Novel Cascade Binary Tagging Framework for Relational Triple Extraction. Accepted by ACL 2020.](https://github.c om/weizhepei/CasRel)
关系抽取中的 overlapping 问题，包括：
- EntityPairOverlap（EPO）：两个实体之间有多个关系。
- SingleEntityOverlap（SEO）：多个关系三元组共同享一个实体。
为了解决 overlapping 问题，论文以一种新的视角去看待关系抽取任务（避开了关系分类），即将关系抽取分为两步，对于一个关系三元组 (subject, relation, object)：
- 首先，识别出一个句子中所有可能的主体（subject）。
- 然后，对于每一个主体，应用一种特殊的标记方法（relation-specific object tagging）去同时识别所有可能的关系（relation）和与之相关的客体（object）。
模型结构
Cascade Decoder
得到 BERT 输出的hidden state 后，将关系抽取分为两个子步骤：
- 首先，检测一个句子中的所有 subject。
- 然后，针对每一个检测出的 subject，检查所有的关系看是否有与之相关的 object。
Subject Tagger
应用两个相同的二分类器，去分别检测 subject 的开始位置和结束位置。下面的公式中 p 代表了开始 / 结束位置的可能性，当可能性大于某个特定的阈值时，被置为1。
使用了一种 nearest start-end pair match principle 去检测所有 subject 的开始和结束位置，就是对于一个开始位置而言，在其之后的最近的结束位置，这段 span 之间就是一个实体，即为 subject。
Relation-specific Object Taggers
与 Subject Tagger 类似，Relation-specific Object Taggers 同样利用两个而分类器来检测对应关系中的 object，由于有很多不同的关系，所以有 r（r 为关系的类型数量）个这样的分类器来检测，每一种关系下，object 的开始和结束位置。
其中，v 包含了 subject 的信息，是 subject 开始和结束位置之间的所有 token 向量表示的平均。
实验结果
与其他模型的对比：
对于 Normal、EPO 和 SEO，不同模型的表现，CASREL 对于 overlapping 的表现是最为稳定的，所以可以很好的解决 overlapping 问题。
对于一个句子中关系三元组数量对 F1 的影响探究中，可以看到随着 N（句子中关系三元组数量）的上升，其他模型的表现迅速下降，但是 CASREL 的表现比较平稳，说明论文提出的模型适用于复杂的场景。
