摘要
文档级关系抽取（Document-level Relation Extraction, DocRE）旨在从文档中提取实体对之间的语义关系。传统的DocRE方法通常将整篇文档作为输入，然而对于人类而言，仅需文档中的一小部分句子（即证据句）即可准确判断实体对的关系。本文提出一种增强证据的框架Eider，通过高效提取证据并有效融合所提取证据，从而提升DocRE性能。我们首先联合训练一个关系抽取（RE）模型与一个轻量级证据抽取模型，该方法在内存占用和运行时间上均具有较高效率。实验表明，即使使用我们基于启发式规则构建的“银标签”（silver labels）训练证据抽取模型，也能显著提升RE任务的性能。此外，我们设计了一种简单而有效的推理机制：在提取出的证据句和完整文档上分别进行关系预测，再通过一个融合层对预测结果进行加权融合。该机制使Eider能够在关注关键句子的同时，仍能充分利用文档中的完整信息。大量实验结果表明，Eider在三个基准数据集上均优于现有最先进方法（例如，在DocRED数据集上，Ign F1与F1分别提升1.37和1.26）。