SPERT：一种从文本中抽取关系方法

导语

spert: 一种以变压器网络BERT为核心的联合实体和关系提取模型。采用基于span的方法:任何标记子序列(或span)构成一个潜在的实体，任何一对span之间都可以保持关系。

---

论文题目：Span-based Joint Entity and Relation Extraction with Transformer Pre-trainin

论文链接：https://arxiv.org/abs/1909.07755
论文代码：https://github.com/markus-eberts/spert

---

任务目标：关系抽取

即从一句话中提取实体与关系，构成一个三元组

比如：

"xiao ming started in xiao zhang`s Happy comedians"

我们的目标是获取三元组

（"xiao ming",Plays-In,"comedians"）

或者

（"comedians",Director,"xiao ming"）

下面是这个模型整体的架构图：

span classification（span分类）

红色方块表示实体

黄色方块表示文本内容

蓝色方块表示span长度信息

绿色方块表示整个句子的语义

表示向量合并操作

span的表示：

c表示整个句子语义嵌入

使用softmax分类器分类span（softmax分类器会在后续文章中详细介绍）

1. 首先定义好entity目录，比如person、organization；

2. span被分类为  中的类别，或者none（表示span不包含实体）；

3. span使用BERT来做嵌入操作（就是将其转化为特征向量）；

4. 定义一个fusion function（融合函数）：来融合嵌入后的向量，这篇论文就是选用了一个比较好的融合函数max-pooling；

5.  表示span的长度嵌入，目的是把span的长度信息融合span的特征向量中，因为太长的span不可能表示实体；

span filtering （span过滤）

过滤掉被分类到none类别的span和长度超过10的span（太长的不可能是实体）

relation classification（关系分类）

在两个相邻的实体之间，通过BERT和max-pooling，我们获得一个语义嵌入c(S1,S2)关系是不对称的，所以考虑S1和S2的顺序，通过两个单位向量进行处理

两者经过一个单层的分类器， 表示sigmoid函数

定义一个临界值 ，比较y和的值来确定x是否是实体关系三元组