1. 總述

關(guān)系抽取(Relation Extraction, RE)是從純文本中提取未知關(guān)系事實(shí)，是自然語言處理領(lǐng)域非常重要的一項(xiàng)任務(wù)。過去的關(guān)系抽取方法主要將注意力集中于抽取單個實(shí)體對在某個句子內(nèi)反映的關(guān)系，然而單句關(guān)系抽取在實(shí)踐中受到不可避免的限制：在真實(shí)場景如醫(yī)療、金融文檔中，有許多關(guān)系事實(shí)是蘊(yùn)含在文檔中不同句子的實(shí)體對中的，且文檔中的多個實(shí)體之間，往往存在復(fù)雜的相互關(guān)系。如下圖所示：

圖中包括了文章中的三個關(guān)系事實(shí)（從文檔標(biāo)注的諸多關(guān)系事實(shí)中采樣得到），其中涉及這些關(guān)系事實(shí)的命名實(shí)體用彩色著色，其它命名實(shí)體用下劃線標(biāo)出。與句子級相比，文檔級關(guān)系抽取中的文本要長得多，并且包含更多的實(shí)體， 這使得文檔級關(guān)系抽取更加困難。其中(Maryland, country, US)、(Baltimore, located_in, Maryland) 和 (Eldersburg, located_in, Maryland)三組triples中的實(shí)體在同一個句子中的出現(xiàn)，這種句內(nèi)關(guān)系相對容易識別。然而，跨句實(shí)體之間的關(guān)系識別更具挑戰(zhàn)性， 例如，關(guān)系事實(shí)（Baltimore，country，U.S.）和（Eldersburg，country，U.S.）中的相關(guān)實(shí)體并沒有出現(xiàn)在同一個句子中并且需要長距離依賴， 具體來說，多個三元組之間的相互依賴是有利的，可以為實(shí)體多的情況下的關(guān)系分類提供指導(dǎo)。例如，如果句內(nèi)關(guān)系 (Maryland, country, US) 已被識別，則{US} 不可能處于任何 person-social 關(guān)系中，例如"is the father of." 此外，根據(jù){Eldersburg} 位于{Maryland} 和{Maryland} 屬于{US} 的三元組，我們可以推斷{Eldersburg} 屬于{US} . 如上所述，每個關(guān)系三元組可以向同一文本中的其他關(guān)系三元組提供信息。

文檔級關(guān)系抽取主要面臨以下三個挑戰(zhàn):

1.相同關(guān)系會出現(xiàn)在多個句子。在文檔級關(guān)系抽取中，單一關(guān)系可能出現(xiàn)在多個輸入的句子中，因此模型需要依賴多個句子進(jìn)行關(guān)系推斷。

2.相同實(shí)體會具有多個指稱。在復(fù)雜的文檔中，同一個實(shí)體具有各種各樣的指稱，因此模型需要聚合不同的指稱學(xué)習(xí)實(shí)體表示。

3.不同三元組之間需要信息交互。文檔包含多個實(shí)體關(guān)系三元組，不同的實(shí)體關(guān)系三元組之間存在邏輯關(guān)聯(lián)，因此模型需要捕捉同一篇文檔中三元組之間的信息交互。

然而先前的基于graph或基于transformer的模型僅單獨(dú)地使用實(shí)體對，而未考慮關(guān)系三元組之間的全局信息。本文創(chuàng)新性地提出DocuNet模型，首次將文檔級關(guān)系抽取任務(wù)類比于計(jì)算機(jī)視覺中的語義分割任務(wù)。DocuNet模型利用編碼器模塊捕獲實(shí)體的上下文信息，并采用U-shaped分割模塊在image-style特征圖上捕獲三元組之間的全局相互依賴性，通過預(yù)測實(shí)體級關(guān)系矩陣來捕獲local和global信息以增強(qiáng)文檔級關(guān)系抽取。實(shí)驗(yàn)結(jié)果表明，我們的方法可以在三個基準(zhǔn)數(shù)據(jù)集DocRED，CDR和GDA上獲得SOTA性能。

2.方法

具體來說，DocuNet模型分為三個模塊：

（1）Encoder Module

我們將triple抽取視為sequence-to-sequence的任務(wù)，以更好地對實(shí)體和關(guān)系之間的交叉依賴進(jìn)行建模。我們將輸入文本和輸出三元組定義為源和目標(biāo)序列。源序列僅由輸入句子的標(biāo)記組成，例如“[CLS] The United States President Trump was raised in the borough of Queens ...[SEP]”。我們連接由特殊標(biāo)記 ”< e >” 和 ”< /e >”分隔的每個實(shí)體/關(guān)系的三元組作為目標(biāo)序列。

其中是實(shí)體感知注意力的注意力權(quán)重，對于矩陣中的每個實(shí)體，它們的相關(guān)性由一維特征向量捕獲。

（2）U-shaped Segmentation Module

三元組之間存在局部語義依賴，語義分割中的CNN可以促進(jìn)感受野中實(shí)體對之間的局部信息交換。文檔級RE還需要全局信息來推斷三元組之間的關(guān)系，語義分割模塊中的下采樣和上采樣可以擴(kuò)大當(dāng)前實(shí)體pair對嵌入的感受野，能夠增強(qiáng)全局隱式推理：

我們把實(shí)體級關(guān)系矩陣作為D-channel圖像，我們將文檔級關(guān)系預(yù)測公式化為像素級掩碼， 其中N是從所有數(shù)據(jù)集樣本中統(tǒng)計(jì)出的最大實(shí)體數(shù)。

（3）Classification Module

給定實(shí)體pair的特征表示和實(shí)體級關(guān)系矩陣Y，我們使用前饋神經(jīng)網(wǎng)絡(luò)將它們映射到隱藏表示z。然后，我們通過雙線性函數(shù)獲得實(shí)體pair之間關(guān)系預(yù)測的概率表示如下：

由于觀察到 RE 存在不平衡關(guān)系分布（許多實(shí)體對具有 NA 的關(guān)系），我們引入了一種平衡的 softmax 方法進(jìn)行訓(xùn)練:

3. 實(shí)驗(yàn)

（1）數(shù)據(jù)集

為了驗(yàn)證DocuNet的效果，我們在三個文檔級關(guān)系抽取數(shù)據(jù)集上評測，數(shù)據(jù)集具體分析如下所示：

（2）實(shí)驗(yàn)結(jié)果

由下面實(shí)驗(yàn)結(jié)果表明，DocuNet比以往的文檔級關(guān)系抽取方法效果更佳。

4. 總結(jié)與展望

在本文中，我們把文檔級關(guān)系抽取任務(wù)看作語義分割來求解，直接給出了如何將 UNet 應(yīng)用于文檔級 RE 的解決方案，實(shí)驗(yàn)結(jié)果表明U-shaped模塊能有效得理解局部上下文和全局相互依賴性。目前結(jié)果表明U-shaped模塊中的卷積學(xué)習(xí)了 RE 三元組之間的相互作用，但仍U-shaped模塊的推理作用尚是隱式的，未來對U-shaped模塊進(jìn)一步的可視化分析有助于我們加強(qiáng)理解其是如何做三元組之間推理的。我們的方法證實(shí)了語義分割模塊在處理RE中有效性，仍需要更多的工作去探索U-shaped模塊在如aspect-based sentiment analysis等其他nlp任務(wù)上的應(yīng)用。