摘要
在联合实体与关系抽取任务中，现有方法要么采用顺序编码方式来处理特定任务的特征，导致任务间特征交互不均衡——后提取的特征无法直接与先提取的特征进行交互；要么采用并行编码方式分别处理实体特征与关系特征，使得各任务的特征表示学习在很大程度上相互独立，仅通过输入共享建立联系。为此，我们提出一种分块滤波网络（Partition Filter Network, PFN），以合理建模任务间的双向交互。该网络将特征编码过程分解为两个步骤：分块（partition）与滤波（filter）。在编码器中，我们引入两个门控机制——实体门与关系门，用于将神经元划分为两个任务专属分区与一个共享分区。共享分区用于表示对两个任务均具有价值的跨任务信息，并在两个任务间均等共享，从而保障任务间的有效双向交互。任务专属分区则用于捕捉各任务内部的特异性信息，其形成依赖于两个门控机制的协同作用，确保任务特定特征的编码过程彼此依赖。在六个公开数据集上的实验结果表明，所提模型显著优于以往方法。此外，与以往研究的结论相反，我们的辅助实验表明，关系预测对命名实体识别具有不可忽视的促进作用。源代码已开源，地址为：https://github.com/Coopercoppers/PFN。