摘要

从非结构化文本中联合抽取实体与关系以构建事实三元组，是构建知识库（Knowledge Base, KB）的一项基础任务。一种常用方法是通过预测实体对来推断其对应的关系，从而解码出三元组。然而，该任务在实际应用中仍面临诸多挑战，尤其是在处理重叠三元组问题时尤为显著。为应对这一难题，本文提出了一种新型高效联合实体与关系抽取模型——TDEER（Translating Decoding Schema for Joint Extraction of Entities and Relations）。与现有方法不同，TDEER采用“翻译解码”机制，将关系视为从主体到客体的翻译操作，即三元组被建模为“主体 + 关系 → 客体”的形式。该翻译解码机制能够自然地处理重叠三元组问题，因为它可识别所有可能的三元组，包括重叠与非重叠情形。为提升模型的鲁棒性，本文引入负样本以缓解不同阶段中误差的累积。在多个公开数据集上的大量实验表明，TDEER在性能上可与当前最先进的（State-of-the-Art, SOTA）方法相媲美。此外，计算复杂度分析显示，TDEER相较强大基线模型具有更高的效率，尤其在推理速度方面，其性能比近期SOTA模型快约两倍。代码已开源，地址为：https://github.com/4AI/TDEER。