关系抽取 --- Effective deep memory networks for distant supervised relation extraction

标签：super   并且   image   attention   技术   之间   app   images   相对   

实验

同样用held-out以及P@N 结果如下:

从结果看， 本文的方法比Lin 2016 要好， 毕竟考虑了关系的依赖性，不过提升不是很明显，可能原因是数据问题，relation的overlapping比较少。 再看一组对比实验: 分别是去掉word-attention 以及去掉 relation-attention:

可以看出来，去掉relation之后，下降相对来说比去掉word-level更加明显。

总结 

这篇文章虽然以Memory Network 为题，不过可以本质还是用Attention引入相关性。 word-level的动机来自Multi-Level 的那篇文章，计算word与target entity的相关性，并且可以多层，从而挖掘更深层次的关系。relation-level的动机则是考虑到数据中的关系依赖性，使用attention来考虑关系之间的相关性。

这篇文章创新的地方在于引入relation之间的依赖关系。 可能改进的地方有，完全从embedding的角度考虑相关性，抛弃Attention,计算量会少一些。包括word-entity embedding； relation-relation embedding;

关系抽取 --- Effective deep memory networks for distant supervised relation extraction

标签：super   并且   image   attention   技术   之间   app   images   相对   

原文地址：https://www.cnblogs.com/dhName/p/11751866.html