摘要
依存树有助于关系抽取模型捕捉词语之间的长距离关系。然而，现有的基于依存树的模型要么通过过度剪枝而忽略了关键信息（例如否定），要么由于难以在不同的树结构上并行计算而导致计算效率低下。我们提出了一种扩展的图卷积网络，该网络专门针对关系抽取进行了优化，能够在并行计算中高效地汇聚任意依存结构的信息。为了在最大限度地去除无关内容的同时纳入相关的信息，我们进一步应用了一种新颖的剪枝策略，保留了两个可能具有关系的实体之间最短路径周围的词语。实验结果表明，该模型在大规模TACRED数据集上取得了最先进的性能，优于现有的序列和基于依存树的神经模型。通过详细的分析，我们还展示了该模型与序列模型具有互补的优势，结合使用这两种模型可以进一步提升当前的最佳水平。