上节课，给大家整体介绍了项目要做的事情，就是从一段文本当中，找到主体、客体、和关系的三元组组合，因为 CasRel 这个模型，设计思路不是很常规，示意图的细节也容易混淆，所以我们单独用一节课时间，来拆解一下这个模型。

任务分解

关系抽取（Relation Extraction）就是从一段文本中抽取出（主体，关系，客体）这样的三元组，用英文表示就是(subject, relation, object)这样的三元组。

从关系抽取的定义也可以看出，关系抽取主要要做两件事：

1）识别文本中的subject和object（实体识别）

2）判断这两个实体属于哪种关系（关系分类）

Pipeline 和 Joint Model

在解决关系抽取这个任务时，按照模型的结构分为两种，一种是 Pipeline，另一种是 Joint Model。

如果将关系抽取的两个任务分离，先进行实体识别，再进行关系分类，就是 Pipeline 模型。但这样存在的问题是，会出现误差传播的情况，也就是实体识别的误差，会影响后面的关系分类任务，但关系分类任务，又无法对实体识别造成的误差进行修正。因为两个任务是独立的，关系分类的loss，无法反向传播给实体识别阶段。

为了优化 Pipeline 存在的问题，就有了 Joint Model（多任务学习的联合抽取模型），实体和关系共享同一个encoder网络编码，解码仍然是两个decoder，本质上还是 Pipeline 的编码方式，也就是先解码出实体，再去解码关系。但跟 Pipeline 不同的是，Joint Model 只计算一次损失，所以loss反向传播，也会对实体识别的误差进行修正。

模型结构详解

我们这个项目用的是 CasRel模型，是众多关系抽取模型中的一种，发表于2019年，虽然近年来不断有新的模型提出，但业界还没有统一方案。选用这个模型的原因，是它有一定的代表性和知名度，而且能帮助大家增进编码能力。

论文标题：A Novel Cascade Binary Tagging Framework for Relational Triple Extraction

模型简称：CasRel，层叠式指针标注

论文链接：https://arxiv.org/abs/1909.03227

论文代码：https://github.com/weizhepei/CasRel（TensorFlow、英文数据集）

模型局限性

1）因为实体就近匹配，无法解决实体嵌套的场景，例如：叶圣陶散文选集、叶圣陶；

2）该模型不适用于长段落、篇章级别信息抽取，因为bert位置编码512位，关系无法跨句子；

3）目前知识图谱运用场景还是聚焦在垂直领域，因为开放式关系抽取很困难，关系数量 r = n(n-1)/2。

这个任务既充满挑战，又有很大的探索空间，值得学习。

本文链接：http://edu.ichenhua.cn/edu/note/478

版权声明：本文为「陈华编程」原创课程讲义，请给与知识创作者起码的尊重，未经许可不得传播或转售！