摘要
在从文本中提取结构化信息时，实体识别与关系抽取是两项关键任务。近年来，这两项任务的进展均采用自回归（autoregressive）方式生成结构化表示，但这种方法耗时且计算成本高昂。这自然引发了一个问题：是否必须依赖自回归方法才能获得相当的性能？为此，本文提出ITER——一种高效的基于编码器的关系抽取模型。该模型将任务分解为三个可并行执行的步骤，显著提升了效率。相较于近期的语言建模方法，ITER在单张消费级GPU上实现了超过每秒600个样本的推理吞吐量。此外，我们在ADE和ACE05两个关系抽取数据集上取得了当前最优（state-of-the-art）性能，并在命名实体识别任务上（使用GENIA与CoNLL03数据集）以及关系抽取任务（使用SciERC与CoNLL04数据集）均表现出具有竞争力的性能。