文档级关系抽取中的逻辑规则学习

文档级关系抽取旨在识别文档中实体之间的关系。以往的方法为捕捉长距离依赖关系，主要依赖于通过（图）神经网络隐式学习到的强大表示，这使得模型的可解释性较差。为应对这一挑战，本文提出了一种新型概率模型——LogiRE，通过学习逻辑规则实现文档级关系抽取。LogiRE将逻辑规则视为隐变量，并由两个模块构成：规则生成器与关系抽取器。规则生成器负责生成可能对最终预测有贡献的逻辑规则，而关系抽取器则基于生成的逻辑规则输出最终预测结果。这两个模块可通过期望最大化（EM）算法高效优化。通过将逻辑规则引入神经网络，LogiRE不仅能够显式地捕捉长距离依赖关系，还具备更强的可解释性。实验结果表明，LogiRE在关系抽取性能（F1分数提升1.8）和逻辑一致性（逻辑得分提升超过3.3）方面显著优于多个强基线模型。代码已开源，地址为：https://github.com/rudongyu/LogiRE。