摘要
联合实体与关系抽取框架构建了一个统一模型，能够同时执行实体识别与关系抽取任务，从而利用两项任务之间的依赖关系，缓解流水线模型中存在的错误传播问题。当前针对联合实体与关系抽取的研究主要通过参数共享、联合解码或其他特定技巧（例如，将任务建模为半马尔可夫决策过程，或转化为多轮阅读理解任务）来增强实体识别与关系抽取之间的交互。然而，该领域仍存在两个关键问题：其一，多数方法所采用的交互机制仍较弱且为单向，难以有效建模两项任务之间的相互依赖关系；其二，大多数方法忽略了关系触发词（relation triggers）的利用，而这些触发词能够解释人类为何在句子中识别出特定关系，对关系抽取具有重要意义，却常被忽视。为此，本文提出一种名为“触发-语义记忆流框架”（Trigger-Sense Memory Flow Framework, TriMF）的联合实体与关系抽取方法。该框架设计了一个记忆模块，用于存储在实体识别与关系抽取任务中学习到的类别表征。基于此记忆模块，进一步构建了多层级记忆流注意力机制，以增强实体识别与关系抽取之间的双向交互能力。此外，本模型引入一个无需人工标注的触发感知模块（trigger sensor module），可自动在句子中识别并增强关系触发信息，从而提升模型性能，并使模型的预测结果具备更强的可解释性。实验结果表明，所提出的框架在多个基准数据集上均取得了当前最优性能：在SciERC数据集上，关系F1值提升至52.44%（+3.2%）；在ACE05数据集上达到66.49%（+4.9%）；在CoNLL04数据集上为72.35%（+0.6%）；在ADE数据集上达到80.66%（+2.3%），显著优于现有方法。