基于双图的文档级关系抽取

文档级关系抽取旨在从文档内部提取实体之间的关系。与句子级关系抽取不同，该任务需要在文档跨多个句子的上下文中进行推理。本文提出了一种名为图聚合与推理网络（Graph Aggregation-and-Inference Network, GAIN）的新模型，其核心特征是采用双图结构。GAIN 首先构建一个异构的提及级图（heterogeneous mention-level graph, hMG），用于建模文档中不同提及之间的复杂交互关系；同时构建一个实体级图（entity-level graph, EG），并基于该图提出一种新颖的路径推理机制，用于推断实体之间的关系。在公开数据集 DocRED 上的实验表明，GAIN 相较于此前的最先进方法，在 F1 分数上取得了显著提升，提升幅度达 2.85。相关代码已开源，地址为：https://github.com/DreamInvoker/GAIN。