RECON：基于知识图谱上下文的图神经网络关系抽取

本文介绍了一种名为RECON的新方法，该方法能够自动识别句子中的关系（句内关系抽取）并将其与知识图谱（KG）对齐。RECON利用图神经网络学习句子和存储在知识图谱中的事实的表示，从而提高了整体的抽取质量。这些事实包括实体属性（标签、别名、描述、实例类型）和事实三元组，以往的方法并未将它们综合运用。我们评估了不同形式的知识图谱上下文表示对RECON性能的影响。在两个标准的关系抽取数据集上的实证评估表明，RECON在NYT Freebase和Wikidata数据集上显著优于所有现有方法。RECON在Wikidata数据集上报告的F1得分为87.23（基线为82.29），而在NYT Freebase数据集上，其P@10值为87.5，P@30值为74.1，相比之下，之前的基线得分分别为81.3（P@10）和63.1（P@30）。