【論文筆記】Context-Aware Representations for Knowledge Base Relation Extraction

**文中提出的非常重要的觀點就是 當前 sentence的context中存在的relation會有利於提取當前sentence的relation。
**

在進行預測的時候使用了context representation

主要的核心思想就是使用了LSTM encoder

• main contribution就是一個全新的網絡框架。
• 其實應該還有這個context representation的idea
  以及
• 還有應該是open了自己做的distant supervision的數據？

用的是50維的embedding
其中網絡中有很特殊的 word token marker 分爲三類

• 1. entity 1
• 2. entity 2
• 3. none of above.

當前句子的relation representation是$o_s$
context的句子一共有m句，對每一句話都需要經過一次 relation encoder，得到m個$o_i$，然後經過attn計算每個$o_i$的權重，將這些權重 softmax一下之後計算出一個$o_c$ 這就是 context relation representation了

其中提到了$o_c \in \mathcal{R}^o$ 是與$o_s$同樣長度，說明操作完全相同，marker也是一致的。

就是把兩個計算出來的$o_s$和$o_c$ concate起來做一個classification

一句話中最多有7個relation
position marker在模型中經過簡單的測試發現並沒有用

問題

• 1. 我尋思一句話全部輸入的話，咋抽取出 7個relation呢
     問題是，entity 是否被標定了的話，應該是隻需要做relation classification？
• 應該是的，文中提到了 predict the final relation type.