基于森林的实体关系联合抽取模型

摘要

嵌套实体对实体关系联合提取任务提出了挑战。现有的联合抽取模型在处理嵌套实体时存在产生大量负例且复杂度高的问题,此外未考虑嵌套实体对三元组预测的干扰。针对以上问题,提出一种基于森林的实体关系联合抽取方法——EF2LTF(Entity Forest to Layering Triple Forest)。EF2LTF采用了一个两阶段的联合训练框架,首先通过生成实体森林灵活地在嵌套实体内部识别不同的实体;然后结合已识别出的嵌套实体及其层次结构生成分层的三元组森林。在四个标准数据集上的实验结果表明,与基于集合预测网络的SPN(Set Prediction Network)模型、基于跨度的实体关系联合抽取模型SpERT(Span-based Entity and Relation Transformer)和动态图增强信息抽取(DyGIE++)等方法相比,所提方法取得了最优的F1值。说明所提方法既增强了嵌套实体的识别能力,也增强了构建三元组时对嵌套实体的分辨能力,从而提升了实体与关系的联合抽取性能。