张军莲，张一帆，汪鸣泉，黄永健

（1.中国科学院上海高等研究院 碳数据与碳评估研究中心，上海 201210；2.中国科学院大学，北京 100049；3.中国科学院低碳转化科学与工程重点实验室，上海 201210）

0 概述

实体关系抽取是信息抽取的下属子任务，信息抽取由美国国家标准技术研究院的自动内容抽取（Automatic Content Extraction，ACE）［1］定义。实体关系抽取任务的目标是从非结构化文本中抽取出实体关系三元组，即<实体1，关系，实体2>，其中，“实体1”和“实体2”是“关系”涉及的2 个命名实体，“关系”指2 个实体间的关系类型。实体关系抽取是语义理解中的关键技术，也是机器翻译、知识图谱构建、自动问答系统等应用研究的基础。

目前，实体关系抽取任务有2 种主流研究框架：一是流水线方法，即在实体识别之后进行实体关系提取；二是联合抽取方法，即同时进行实体识别和关系抽取。流水线方法在命名实体识别的基础上进行关系提取，实体识别中所产生的错误会影响到关系预测结果，造成错误传播［2］。与流水线方法相比，联合抽取方法被认为具有更好的性能和潜力。2017 年，ZHENG 等［3］较早提出基于新标注策略的实体关系联合抽取方法，该方法把包含命名实体识别与关系分类2 个任务的联合学习模型转变成序列标注问题，其取得了很好的效果。联合关系抽取虽然避免了流水线方法中的错误传播问题，但是其需要更复杂的模型结构以编码更丰富的语义信息。

依存分析的目的是通过分析句子中各个成分之间的依赖关系，从而揭示句子的句法结构。……