TPLinker：通过词元对链接实现实体与关系的单阶段联合抽取

近年来，从非结构化文本中抽取实体与关系受到越来越多关注，但这一任务仍面临巨大挑战，主要源于识别共享实体的重叠关系的内在难度。以往研究显示，联合学习能够带来显著的性能提升。然而，这些方法通常涉及一系列相互依赖的顺序步骤，在训练时依赖真实标签作为输入条件，而在推理阶段则需从零开始进行抽取，这种训练与推理之间的不一致导致了“暴露偏差”（exposure bias）问题，进而引发错误累积。为缓解该问题，本文提出一种单阶段联合抽取模型——TPLinker。该模型能够有效识别共享一个或两个实体的重叠关系，同时避免暴露偏差的影响。TPLinker将联合抽取任务建模为词元对连接问题，并引入一种新颖的“握手标注”（handshaking tagging）方案，该方案能够针对每种关系类型，对实体对的边界词元进行精准对齐。实验结果表明，TPLinker在重叠关系及多重关系抽取任务上表现显著优于现有方法，并在两个公开数据集上取得了当前最优（state-of-the-art）的性能。