基于新型分解策略的实体与关系联合抽取

联合抽取实体与关系旨在通过单一模型同时识别实体对及其对应关系。以往的研究通常采用“先抽取后分类”或“统一标注”的方式解决该任务。然而，这些方法要么面临冗余实体对的问题，要么在实体与关系抽取过程中忽略了重要的内部结构信息。为克服上述局限，本文首次将联合抽取任务分解为两个相互关联的子任务：头实体（HE）抽取和尾实体-关系（TER）抽取。前者旨在识别所有可能参与目标关系的头实体，后者则针对每个已抽取的头实体，进一步识别其对应的尾实体及关系类型。随后，基于本文提出的基于跨度的标注方案，将这两个子任务进一步分解为多个序列标注问题，可通过分层边界标记器与多跨度解码算法高效求解。得益于合理的任务分解策略，所提模型能够充分捕捉各步骤之间的语义依赖关系，同时有效降低无关实体对带来的噪声。实验结果表明，该方法在三个公开数据集上分别较之前最优方法提升了5.2%、5.9%和21.5%（F1值），达到了新的最先进水平。