
摘要
关系抽取(RE)是多个学科中不可或缺的信息提取任务。RE模型通常假设命名实体识别(NER)已经在前一步骤由另一个独立模型完成。近年来,一些研究致力于端到端的RE,试图通过联合建模NER和RE任务来利用任务间的相关性。早期的工作通常将该任务简化为表格填充问题,在此过程中需要应用一个额外且计算成本较高的解码步骤,如束搜索(beam search),以获得全局一致的单元格标签。在不采用表格填充的方法中,为了达到有竞争力的性能,仍然需要对NER组件进行全局优化,例如使用条件随机场(CRF)结合维特比解码(Viterbi decoding)。我们提出了一种新颖的神经架构,该架构基于表格结构,通过重复应用二维卷积来聚合局部依赖性和度量特征,从而在无需全局优化的情况下改进了现有最佳方法。我们在ADE和CoNLL04数据集上验证了我们的模型用于端到端的关系抽取,并展示了相比之前最佳结果约1%的增益(以F值衡量),同时训练和测试时间缩短了七到十倍——后者对于时间敏感的应用场景尤为有利。