实体识别和关系抽取的联合模型总结

实体识别和关系抽取的目标是从非结构化的文本中发现（实体1、关系、实体2）的三元组，它对知识库的构建和问答任务都很重要，是信息抽取的核心问题。

现有的关系抽取方法主要有两种：

1.使用流水线方法进行抽取：先对句子进行实体识别，然后对识别出的实体两两组合，再进行关系分类，最后把存在实体关系的三元组做为输入。

缺点：1.错误传播，实体识别模块的错误会影响下面的关系分类性能。2.差生了没必要的冗余信息，没有关系的实体会带来多余信息，提升错误率。

2.实体识别和关系抽取的联合模型：对句子同时做实体识别和关系抽取得到一个有关系的实体三元组。

模型结构图：

数据标记策略：采用BIO标记策略。字在句子中的下标（token_id），字(token)，标注标签(BIO)，实体关系（无关系则为N）(relations)，对应关系下标位置（无关系则为当前下标）(heads)。

比如有如下一句话：张三和李四居住在北京和上海，姓名和地址有live_in关系，标记位置为地址最后一个字的下标。

数据预处理：

1.读取所有数据，获得字的部首的全集chars_set，实体标签的全集bios_set,关系的全集relations_set。

2.遍历训练数据，将每个句子中token_id,token,bio,relations,heads作为列表封装到该句子中。再遍历当前句子将样本数据id化，将句子中字列表embedding_ids,偏旁部首id的列表char_ids,实体标签的列表bio_ids，关系的列表scoringMatrixHeads封装到句子中。其中scoringMatrixHeads的获得：

1）.先获取关系relations的ids,id从relations_set全集里边对应。比如‘三’对应['Live_In', 'Live_In'],而Live_In在relations_set中下标为3，则relations对应的ids为[3，3]

2）.遍历字对应关系relations的列表，将heads*len(relations_set)+relations。比如‘三’对应relations为[23,23]，对应heads为[9,12],relations_set长度为10，则scoringMatrixHeads=[9*10+3,12*10+3]=[93,123]

3.处理句子id化的数据，使其在一个批量数据内每个句子的维度相等，已最长句子的维度作为最大维度，不足的填充0。其中scoringMatrixHeads关系的处理需要特别说明一下，先初始化一个  [句子长度，句子长度*len(relations_set)]的0矩阵scoringMatrix,遍历scoringMatrixHeads,将每个字的通过步骤2计算出来的id作为scoringMatrix矩阵的列向量 填充1，用1来表示字与字之间的关系。

模型结构：

1.word Embedding层：先初始化偏旁部首char_ids权重参数，词嵌入，通过双向LSTM提取特征得到char_logitics。加载skip-gram模型预训练的字向量，得到word embedding,将word embedding和char_logitics拼接作为模型的输入inputs。

2.双向LSTM层：通过三个隐藏层的双向LSTM对输入的inputs进行特征提取得到lstm_out。

3.对lstm_out做**函数为relu的全连接，进行实体分类，得到nerScores

4.通过BIO标记策略，使用CRF引入标签间的依赖关系。1.计算每个词得到不同标签的分数。2.计算句子的标签序列概率。通过最小化交叉熵损失函数得到ner_loss。最后使用viterbi算法得到分数最高的标签preNers。

5.对步骤4得到的labels（训练则用真实标签，测试则用预测的标签preNers）进行词嵌入得到label Embedding，将步骤2中输出的lstm_out和label Embedding拼接得到rel_inputs,作为实体关系预测的输入。

6.通过下列公式计算每个词最有可能对应的关系和头向量(即为样本中的relations和heads)得到rel_scores。

7.对得到的rel_scores与数据预处理中得到的scoringMatrix矩阵做sigmod交叉熵，得到损失rel_loss。对rel_scores做sigmod预测实体关系得到pre_Rel。

8.对抗训练层：通过在原来的embedding上加入最坏的扰动使损失函数最大，来得到对抗样本。

噪音数据：损失对词向量求导，再L2正则化，再乘以一个系数。

使用如下公式得到最终损失：

9.使用Adam优化函数优化损失。