陈 钰,张安勤,许春辉

(上海电力大学 计算机科学与技术学院,上海 201306)

随着大数据时代的到来,数据的规模不断增大,信息过载的问题日益严重.因此快速准确地抽取关键信息有着重大意义.关系抽取在信息抽取中有着举足轻重的作用,目的是提取自然语言句子中实体对之间的语义关系.实体关系抽取作为自然语言处理的一项基本任务,是知识图谱、自动问答、机器翻译,自动文摘等领域的关键模块.随着深度学习的不断发展,引起了人们对NRE的兴趣,现在大多使用神经网络来自动学习语义特征.

1 相关工作

作为先驱,Liu 等提了一个基于CNN的关系抽取模型[1].在此基础上,Zeng 等提出一个带有最大池化层的CNN 模型[2],并且引入了位置嵌入来表示位置信息,然后他们设计了PCNN 模型[3],但是PCNN 模型在句子选择方面存在问题.为了解决这一问题,Lin 等[4]将注意力机制应用于其中.尽管PCNN 模型有着不错的效果,但是它不能像RNN 类型的模型一样挖掘上下文的信息.因此,带有注意力机制的LSTM 网络也被应用于关系抽取任务中[5,6].

尽管NRE 不需要进行特征工程,但是它们忽略了不同语言输入粒度对模型的影响,特别是对于中文关系抽取.根据输入的粒度的不同,现有的中文关系抽取方法可以分为基于字符的关系抽取和基于词的关系抽取的两种.

对于基于字符的关系抽取,它将每个输入语句看作一个字符的序列.这种方法的缺点是不能充分利用词语级别的信息,想比较……