摘要

利用多任务学习方法解决实体与关系联合抽取问题的思路，源于实体识别任务与关系分类任务之间的内在关联性。现有采用多任务学习技术的方法通过共享网络来学习两个任务间的交互关系，共享信息被传递至各任务特定的网络以进行预测。然而，此类方法限制了模型对两个任务之间显式交互关系的学习，从而难以有效提升各任务的性能表现。为此，本文提出一种称为循环交互网络（Recurrent Interaction Network）的多任务学习模型，该模型能够动态地学习任务间的交互关系，从而更有效地建模任务特异性特征以实现分类。在两个真实世界数据集上的实证研究结果验证了所提模型的优越性。