Skip to content

基于 PCNN 的远程监督关系抽取模型

Jump to bottom
leo edited this page Jun 23, 2022 · 3 revisions

在关系抽取任务中引入远程监督学习的方法，尤其是针对远程监督中的标记噪声问题，使用分段的 CNN(Piecewise CNN，PCNN)抽取句子特征向量表示的同时，考虑到同一个 Bag 中句子表达关系的不同重要性，引入了句子级别的 Attention 机制。

(1)句子特征向量表示: PCNN 与 CNN 模型抽取句子特征向量方法相同，组合词和词相对位置的 embedding 表示输入 CNN 模型进行卷积。不同的是，在池化部分，使用分段池化取代前面的最大值池化操作。分段池化根据句子中两个实体的位置将句子分为三个片段，再分别进行池化操作，这样能捕捉句子中的结构信息以及更加细粒度的特征。

PCNN

(2)针对同一个 Bag 的句子进行 特征抽取，同一个 Bag 的句子中，有些句子对于关系的表达有着比较重要的作用，而有些句子的作用很小，因此，引入 Attention 机制对同一个 Bag 中的句子施加不同的权重。

APCNN

使用方法：

python main.py --model_name CNN

更多配置见 config.py 文件

参考文献：

  • i, G., Liu, K., He, S., Zhao, J.: Distant supervision for relation extraction with sentence-level attention and entity descriptions. In: AAAI. pp. 3060–3066. AAAI Press (2017)
Clone this wiki locally