摘要

端到端的关系抽取旨在识别命名实体并提取实体之间的关系。目前大多数研究工作将这两个子任务联合建模，要么将其纳入统一的结构化预测框架，要么通过共享表示实现多任务学习。在本工作中，我们提出了一种简洁的流水线式方法用于实体与关系抽取，并在标准基准数据集（ACE04、ACE05 和 SciERC）上取得了新的最先进性能，相较于使用相同预训练编码器的先前联合模型，关系F1值提升了1.7%至2.8%的绝对值。我们的方法本质上依赖于两个独立的编码器，仅利用实体模型的输出作为关系模型的输入。通过一系列细致的实验分析，我们验证了以下关键因素的重要性：为实体和关系学习差异化的上下文表示、在关系模型中尽早融合实体信息，以及引入全局上下文信息。此外，我们还提出了一种高效的近似方法，该方法在推理阶段仅需对实体和关系编码器各执行一次前向传播，实现了8至16倍的加速，同时仅带来轻微的精度损失。