分享一下自己精讀的一些關係抽取相關的論文筆記，由於中間有些是ppt，爲了便於預覽展示，所以全部發布在了自己的博客網站上了。
1、Reinforcement Learning for Relation Classification from Noisy Data
AAAI 2018中的一篇關係抽取方面的論文。
此論文提出了一種基於強化學習的關係抽取模型，該模型主要是對具有大量噪聲的詞袋級別的數據進行處理，將其轉化到句子級別進行訓練和預測，具有不錯的效果。
詳情參見鏈接：論文筆記–Reinforcement Learning for Relation Classification from Noisy Datas
2、Syntax-aware Entity Embedding for Neural Relation Extraction
阿里巴巴 AAAI 2018 錄用論文的一篇關係抽取的論文。
本文提出將句法識別（syntax-aware）的實體嵌入用在關係抽取中：
- 首先，本文使用tree-GRU方法編碼依存樹上的實體上下文作爲句子級別的實體嵌入。
- 然後，對於所有包含了所關注的實體對的句子，利用句內關係和句際關係的注意力去獲取句子集合級別（set-level）的實體嵌入。
- 最後，結合句子嵌入和實體嵌入到關係抽取中。
詳情參見鏈接：論文筆記–Syntax-aware Entity Embedding for Neural Relation Extraction
3、RESIDE: Improving Distantly-Supervised Neural Relation Extraction using Side Information
此論文是2018年EMNLP的一篇文章。
本文提出了一種遠程監督神經關係抽取方法RESIDE
- 利用KBs中的附加邊信息來改進關係提取
- 使用實體類型和關係別名信息在預測關係時施加軟約束
- 使用圖形卷積網絡(GCN)對文本中的語法信息進行編碼
- 即使在邊信息有限的情況下，也能提高性能。
詳情參見鏈接：論文筆記–RESIDE: Improving Distantly-Supervised Neural Relation Extraction using Side Information
4、Modeling Relational Data with Graph Convolutional Networks
此論文是ESWC 2018的一篇使用GCN進行知識庫實體分類和鏈接預測的文章。
知識圖譜可應用於各種應用，包括問答和信息檢索。儘管在創建和維護方面付出了巨大的努力，但即使是最大的知識庫（例如，Yago，DBPedia或Wikidata）仍然是不完整。
該論文引入關係圖卷積網絡（R-GCN）並將它們應用於兩個基於標準知識庫完成的任務：
- 鏈接預測（缺失事實的恢復，即主題 – 謂詞 – 對象三元組）
- 實體分類（丟失實體屬性的恢復）。
RGCNs與最近一類在圖上運行的神經網絡有關，並且是專門爲處理現實知識庫的高度多關係數據特徵而開發的。
詳情參見鏈接：論文筆記–Modeling Relational Data with Graph Convolutional Networks
5、Neural Relation Extraction Within and Across Sentence Boundaries
AAAI 2109中的一篇關係抽取論文。
大致如下：
- 本文提出了一種新的方法用於跨句子的關係抽取—iDepNN：inter-sentential dependency-based neural networks
- iDepNN通過循環和遞歸神經網絡對最短和增強的依賴路徑進行建模，以提取句子內部和跨（句間）句子邊界的關係。
- 相比於之前SVM和神經網絡的baseline，iDepNN對於處理句際關係的假正例更加的魯棒性。
- 該模型在基於新聞專線（MUC6）和醫學領域（BioNLP）的四個數據集中取得了state-of-the-art，並且對於句內關係在精確率和召回率方面更平衡。
詳情參見鏈接：論文筆記–Neural Relation Extraction Within and Across Sentence Boundaries
6、Jointly Extracting Multiple Triplets with Multilayer Translation Constraints
AAAI 2019中關係抽取的論文。
該論文提出了一種名爲TME的新模型，該模型可以通過轉移機制的排名自適應發現多個三元組，並且在NYT數據集上相對於之前最好的模型在F1值上取得了37.6%的提升效果。
詳情參見鏈接：論文筆記-Jointly Extracting Multiple Triplets with Multilayer Translation Constraint
7、Entity-Relation Extraction as Multi-turn Question Answering
本文是香儂科技在ACL 2019發表的論文。
在本文中，提出了一種新的實體關係提取任務範式。 將任務轉換爲多輪問答的問題，即實體和關係的提取被轉換爲從上下文識別答案跨度的任務。 這種多輪QA形式化具有以下幾個關鍵優勢：
- 首先，問題查詢爲我們想要識別的實體/關係類編碼重要信息;
- 其次，質量保證提供了一種自然的實體和關係建模方式;
- 第三，它允許我們利用完善的機器閱讀理解（MRC）模型。
詳情參見鏈接：論文筆記–Entity-Relation Extraction as Multi-turn Question Answering
本文將會持續更新，歡迎對關係抽取感興趣的大佬一起交流學習。