1、前言
本次分享一篇关于三元组关系抽取的paper，论文来自2022年EMNLP会议，论文题目为：<UniRel: Unified Representation and Interaction for Joint Relational Triple Extraction >。论文核心想法是：在抽取三元组（s，r，o）任务中，将实体和关系一起进行表征和交互，抽取方式是仍是采用目前主流的基于table filling的方式，只是在预测时，将三元组学习目标拆分三种交互关系预测，分别为实体之间的关系（s，o），实体跟关系类型的关系（s|o，r），关系类型跟实体的关系（r，s|o），如下图所示。
2、模型
上图为模型图，其大致意思为将文本和关系类别拼接一起作为输入序列，然后形成一个表征table矩阵，table矩阵中每个位置（单元格）可以表示是否有定义的关系（论文中成为Interaction Map），若有为1，没有为0；这样预测任务变成一个表格填充的2分类任务，然后解码时根据表格预测的结果+规则即可解析出三元组。
2.1 三元组关系抽取任务定义
给定一个输入文本
2.2 表征学习
首先，所有关系类型的名称的都用一个核心词来代表，如关系“/business/company/founders”用“founders”来表示，“is captial of”用“captial”来表示；接着将预测文本跟所有关系类别的核心词进行拼接，形成新的序列，输入到表征模型，如bert，进行表征学习：
2.3 交互关系定义
文中是将三元组关系(s,r,o)拆成三种子关系来表示和预测学习，首先是实体之间关系定义：
用指示函数
其次是实体与关系的定义，文中定义两种类型：
用 
上述就是文中定义的三种交互关系，结合模型图示例，很好理解。对比其他表格填充方法来说，论文的不同点在于：1）让关系label参与了表征；2）预测认为转变三个子类型，但本质还是单元格二分类。
2.3 交互关系预测
上述定义的交互关系可以看着是优化目标的真实值，那对应的预测值是怎样。文中是取bert表征最后一层多头注意力机制中的Q、K矩阵来求和得到交互表（Interaction Map），再加一个sigmoid函数即可：
其中
2.4 优化函数
优化的函数就是一个二分类交叉熵：
3、实验结果
就说下论文提出的方法(UniRel)的主要实验结果。实验在NYT和WebGLG上做的，相对来说实验数据集少了，结果如下:
对比的都是我们常见关系抽取模型，可以看出，1）UniRel模型在NYT数据集提升比较明显，F1值有近1个点的提升；在WebNLG上，F1值有0.4个点的提升；2）UiRel_unused表示用bert 词表中[unused]来代替关系类别的核心词，可以看出在WebNLG中影响非常大，说明有效的去表征关系类型的语义信息很重要；3）UniRel_separate表示文本和关系label分开来表征，不拼接在一起，预测的效果表差，说明拼接在一起有交互促进的作用。
在此有几个想法：1）文中没有对比很熟知的GPLinker模型；2）既然关系类型的语义信息很重要，文中只用一个单词来代表，如果用多个单词来代表，是不是效果会更好；3）如WebNLG数据集有171种关系类型，相当于原始的输入序列长度增加170+，这样导致预测的表格更为稀疏；
4、结语
本次分享一篇比较新的关系抽取方法，其新颖之处是让关系类型参与表征和交互学习，起到促进提升的作用。论文开源代码：https://github.com/wtangdev/UniRel ，有兴趣可在自己的业务场景下测试看看效果。
