摘要
实体和关系的联合抽取因其在两项任务中潜在的性能提升而受到了广泛关注。在现有的方法中，CopyRE 是一种有效且新颖的方法，它利用序列到序列框架和复制机制直接生成关系三元组。然而，该模型存在两个致命问题：区分头实体和尾实体的能力极其薄弱，导致实体抽取不准确；无法预测多标记实体（例如“史蒂夫·乔布斯”）。为了解决这些问题，我们对导致实体抽取不准确的原因进行了详细分析，并提出了一种简单但极其有效的模型结构来解决这一问题。此外，我们还提出了一种配备复制机制的多任务学习框架，称为 CopyMTL，以使模型能够预测多标记实体。实验揭示了 CopyRE 的问题，并表明我们的模型在 NYT 和 WebNLG 数据集上的 F1 分数分别比当前最先进的方法提高了 9% 和 16%。我们的代码可在 https://github.com/WindChimeRan/CopyMTL 获取。