摘要
文档级关系抽取（Document-level Relation Extraction, RE）旨在识别文档中实体之间的各类关系，该任务需要复杂的推理能力，以整合共指消解、常识性知识等多种信息。大规模知识图谱（Knowledge Graphs, KGs）蕴含丰富的现实世界事实，可为文档级关系抽取提供宝贵的知识支持。本文提出一种实体知识注入框架，用以提升现有文档级关系抽取模型的性能。具体而言，我们引入共指蒸馏（coreference distillation）机制，将共指知识注入模型，赋予关系抽取模型更强的共指推理能力；同时，采用表示对齐（representation reconciliation）策略，融合知识图谱与文档的表示，将其映射到统一的语义空间中，实现事实知识的有效注入与整合。在两个基准数据集上的实验结果表明，所提出的实体知识注入框架具有良好的泛化能力，并能持续提升多种文档级关系抽取模型的性能。