AKBC-2019-Combining Long Short Term Memory and Convolutional Neural Network for Cross-Sentence n-ary Relation Extraction

[BrambleXu]

一句话总结

针对跨句子的RE问题，提出了LSTM-CNN的结构。还是比较直觉的一种做法

资源：

• pdf

关键词：

• A combined Long Short Term Memory and Convolutional Neural Networks (LSTM CNN+WF+PF)
• exploits word embeddings and positional embeddings
• 问题类型：cross-sentence n-ary relation extraction

当前的RE都是针对in-sentence的，但是仔细想一想，连续的两个句子里出现的entity，有关联的可能性是非常大的，所以如何在cross-sentence中抽取entity之间的relation是一个课题。

这里处理corss-sentence的方式是把两个句子连起来(span t=2)，当做一个span来处理。这个句子里出现的所有entity都放在一个set里。

cross-sentence n-ary relation extraction的难点：

• 处理多个句子组合成的长序列
• 如何对不同句子中出现的不同entity进行建模
• 如何用fixed-length representation的方法来表示variable-length text span containing an n-ary relation

这里提出的LSTM-CNN模型同时利用了word embedding 和positional embedding feature来处理cross-sentence n-ary relation extraction. LSTM是第一层，用来encdoer combined sentences with n-ary relation，因此能捕捉长距离的信息。LSTM里的hidden state representation被CNN用来抽取特征，然后进行reliton分类。

数据：

• 4.1.1 QUIRK AND POON (QP) DATASET
  • developed by Quirk and Poon 2016 and Peng et al. 2017 for the task of crosssentence n-ary relation extraction
  • data
• 4.1.2 CHEMICAL INDUCED DISEASE (CID) DATASET
  • data

#46 (Peng et al. 2017) 的后续研究。

[BrambleXu]

感觉使用 #65 的Transformer，也能解决这种cross-sentence问题，而且还不用position这种需要知道entity信息的feature。