论文阅读《Joint Extraction of Entities and Relations Based on a Novel Decompostion Strategy》

左手的ㄟ右手 2022-10-19 00:48 136阅读 0赞

# 前言 #

*  文章来源：LawsonAbs（CSDN）
 *  望各位读者审慎阅读

--------------------

# 1.之前的问题 #

因为之前的信息抽取模型使用的方法是先抽取再分类，或者是一个联合标注的方法，这些方法存在的问题就是：在抽取实体和关系的时候忽略了内部的结构；同时也会有产生大量的冗余的实体对。

# 2.解决办法 #

*  将联合抽取任务分解成两个子任务：HE extraction 和 TER extraction。第一个子任务是为了抽取所有可能存在关系对的头实体；第二个子任务是为了抽取在第一个任务得到的头实体对应的尾实体和关系。

那么具体该怎么做上面这两个任务呢？具体的方法就是：

*  使用作者提出的 `span-based tagging scheme`，将这两个任务分解成数个序列标注来完成

原话是这么说的：

> Next, these two subtasks are further deconstructed into several sequence labeling problems based on our proposed span-based tagging scheme, which are conveniently solved by a hierarchical boundary tagger and a multi-span decoding algorithm.

这里的意思就是：这两个任务都可以通过一个`hierarchical boundary tagger and a mulit-span docding algorithm`解决。

# 3. 解码算法 #

接下来聊聊整个模型的解码算法。  
其实我之前是对解码算法不怎么理解的，因为我一直觉得：有什么样的tagging方式， 就对应什么样的解码操作不就行了吗？难道还要专门写一个解码算法吗？**对**，还需要专门写个解码算法，因为复杂的编码结构就必须对应一个简要的解码方式，否则就是一篇不充分的论文。以编码的方式去解码这个想法应该是正确的，这篇文章也以伪代码的方式给出了解码的方式，如下所示：  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2xpdTE2NjU5_size_16_color_FFFFFF_t_70]  
这里的解码部分主要是13 - 20行，其主要的思想就是：**按照最近邻匹配的方式解码。**

# 4.问题 #

## 4.1 `a novel decomposition strategy` 中的 `novel` 体现在什么地方？ ##

这里的novel 修饰的是decomposition，说明的问题就是： 分解的方式很novel，因为这里分成了两部分，第一部分是 `head entity`的抽取，第二部分是`end entity` \+ `relation`的抽取。

## 4.2 为什么要 `decompostion`？ `decomposition` 能带来什么？ ##

为了噱头

## 4.2 怎么做到“范式不再在第一步提取所有实体，只识别可能参与目标三元组的头实体”？ ##

## 4.3 文章中说的`hierarchical boundary tagger`是什么？ ##

先找出文中的提及到的几处 `hierarchical`

> To enhance the association between boundary positions, we present a hierarchical boundary tagger, which labels the start and end positions separately in a cascade structure and decode them together by a multi-span decoding algorithm.

> the hierarchical boundary tagger, which is the basic labeling module in our method.

> According to our tagging scheme, we utilize a unified architecture to extract HE and TER. In this paper, we wrap such extractor into a general module named hierarchical boundary tagger (abbreviated as HBT).

> Such decomposition indicates that there is a natural order among the tasks: predicting end positions may benefit from the prediction results of start positions, which motivates us to employ a hierarchical tagging structure.

这句话读着有点儿难受，识别头实体的end难道竟然可以从头实体的start中受益？  
下面来看一下`HBT`的基本结构图：  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2xpdTE2NjU5_size_16_color_FFFFFF_t_70 1]

根据上图可以看出，这个模型是存在一个层级，所以叫做`hierarchical`。同时可以看到这里的 `Start Tags` 的标注结果会传到`End Tags` 模块中使用。

[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2xpdTE2NjU5_size_16_color_FFFFFF_t_70]: /images/20221005/c2960314a1424c6aa1e104b8aec06428.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2xpdTE2NjU5_size_16_color_FFFFFF_t_70 1]: /images/20221005/eca83609be5141d99a81055c0dfded69.png