摘要

关系分类是信息抽取领域中最重要任务之一，也是需要理解非结构化文本中关系的系统的关键组成部分。现有的关系分类方法主要依赖外部资源和背景知识来提升性能，却忽略了实体对之间的相关性，而这些相关性对于关系分类具有重要帮助。为此，本文提出了实体对图（Entity Pair Graph）的概念，用于表征实体对之间的关联关系，并提出了一种基于实体对图的新型神经网络模型——EPGNN（Entity Pair Graph Neural Network）。该模型基于图卷积网络（GCN）来捕捉实体对图的拓扑特征。EPGNN将预训练模型BERT生成的句子语义特征与图的拓扑特征相结合，用于关系分类。所提出的模型充分利用了给定语料库中的信息，无需依赖外部资源或背景知识。在两个广泛应用的数据集——SemEval 2010 Task 8和ACE 2005上的实验结果表明，本方法在性能上优于当前最先进的技术。