摘要

文档级关系抽取旨在识别文档中实体对之间的关系事实，近年来受到越来越多的关注。现有方法主要可分为基于图的方法和基于Transformer的方法。然而，以往基于Transformer的方法忽略了实体间的结构信息，而基于图的方法由于将编码阶段与结构推理阶段分离，难以有效提取结构信息。为此，本文提出一种结构增强的Transformer编码器模型（Structure-Enhanced Transformer Encoder, SETE），将实体结构信息融入Transformer编码器中。首先，基于提及依赖关系构建提及级图，并将其转换为标记级图；随后，设计了一种双自注意力机制，以丰富实体间的结构信息与上下文信息，从而提升原始Transformer编码器的推理能力。在三个公开数据集上的实验结果表明，所提出的SETE模型优于此前的最先进方法，进一步的分析也验证了该模型具有良好的可解释性。