Global Normalization of Convolutional Neural Networks for Joint Entity and Relation Classification

这篇是2017年EMNLP收录的论文。
本文提出了一种新的实体分类(EC)和关系抽取(RE)的方法。如果对BiLSTM+crf有一定了解的话理解这篇论文就容易得多，因为他的整体思想是基于BiLSTM+crf的。
作者提出关系抽取对命名实体的识别有很大的作用，比如可以消除歧义问题，如mercedes可以是person，location，organization，但当提取出关系（live-in）后，就可判定它是location。

• 输入输出
  整个网络的输入输出关系图：
  
  输入为一个句子和一个个单词（短语）对（word1，word2）作为候选实体对，每个单词对是一个样本，输出是（实体标签1-关系-实体标签2）。

• 训练
  训练和bilstm+crf原理一样。

• 模型
  模型图：
  

如图对于每个样本（单词短语对），把输入语料按单词对分割成几部分，用word embedding把短语表示成矩阵，然后经过cnn提取特征。实体之间共享权重，上下文之间共享权重。然后把得到的实体和上下文进行组合，构成三个输入，分别是实体，关系，实体，最后得到相应的三个softmax输出，剩下的工作就是crf层输出结果，这部分和传统的bilstm+crf的crf层一样。

• 预测
  预测时，输入是句子和一个个实体对，因为一个实体可能存在于多个实体对中，所以对于同一个实体可能会产生多个预测结果，文中采用多数表决方法决定实体的类别。

• 实体-关系矩阵
  
  利用实体-关系矩阵进行评价，它是个上三角矩阵，是以前就提出的。

• 问题

  1. 输入的实体单词对甚至短语对怎么得到？分词？感觉分词效果会对实体识别效果影响很大。不如传统的字符级别的实体识别。

参考文献：
Global Normalization of Convolutional Neural Networks for Joint Entity and Relation Classification. https://arxiv.org/pdf/1707.07719.pdf