典型文献
融合实体类别信息的实体关系联合抽取
文献摘要：
针对实体关系抽取任务中的三元组重叠问题,基于编码器-解码器结构的联合抽取方法能够通过序列生成的方式加以解决.但现有方法没有充分利用实体类别信息,而实体类别信息对于构建更丰富的语义特征并进一步优化关系模型的效果具有重要意义.在使用编码器-解码器结构的基础上,融合实体类别信息构建实体关系联合抽取模型FETI.编码器采用经典Bi-LSTM结构,解码器采用树状解码替代传统的一维线性解码.同时,在解码阶段增加头尾实体类别的预测,并通过辅助损失函数进行约束,使模型能够更有效地利用实体类别信息.在百度公开的中文数据集DuIE上进行实验,结果表明,FETI的F1值达到0.758,相对于CopyMTL、WDec、MHS、Seq2UMTree模型提升了2.02％～9.86％,验证了融合实体类别信息对于提升实体关系抽取模型性能的有效性.此外,基于不同解码顺序和不同权重损失函数的实验结果表明,解码顺序对模型性能影响较大,而对主要任务的损失函数赋予较高权重,能够保证辅助任务为主要任务提供有效的背景知识,同时限制噪声的影响.
文献关键词：
实体关系抽取;联合抽取;实体类别信息;三元组重叠;编码器;解码器
中图分类号：
作者姓名：
陈仁杰;郑小盈;祝永新
作者机构：
中国科学院上海高等研究院,上海 201210;中国科学院大学,北京 100049
文献出处：
引用格式：
[1]陈仁杰;郑小盈;祝永新-.融合实体类别信息的实体关系联合抽取)[J].计算机工程,2022(03):46-53
A类：
实体类别信息,FETI,CopyMTL,WDec,Seq2UMTree
B类：
实体关系抽取,三元组重叠,编码器,解码器,联合抽取方法,序列生成,加以解决,语义特征,关系模型,信息构建,实体关系联合抽取模型,Bi,树状,头尾,损失函数,行约,百度,中文数据集,DuIE,MHS,模型性能,不同权重,主要任务,辅助任务,背景知识,时限
AB值：
0.172646
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
