摘要

文档级关系抽取（Document-Level Relation Extraction, RE）旨在识别给定文档中两个实体之间的语义关系。相较于句子级关系抽取，文档级关系抽取需要更复杂的推理能力。以往的研究通常通过在提及级别或实体级别的文档图（document-graph）上进行信息传播来完成推理，但较少关注实体对级别的推理过程。本文提出一种新型模型——密集连接交叉注意力网络（Densely Connected Criss-Cross Attention Network, Dense-CCNet），用于文档级关系抽取，能够实现实体对级别的逻辑推理。具体而言，Dense-CCNet通过交叉注意力机制（Criss-Cross Attention, CCA）在实体对矩阵上沿水平和垂直方向联合捕捉上下文信息，从而增强对应实体对的表示能力。此外，我们通过密集连接多个CCA层，同时捕捉单跳与多跳逻辑推理的特征。我们在三个公开的文档级关系抽取数据集（DocRED、CDR和GDA）上对Dense-CCNet模型进行了评估。实验结果表明，该模型在上述三个数据集上均取得了当前最优（state-of-the-art）的性能表现。