Integrating Relation Constraints with Neural Relation Extractors. Yuan Ye, Yansong Feng, Bingfeng Luo, Yuxuan Lai, Dongyan Zhao. AAAI 2020. [PDF]
动机
在关系抽取任务中，某个关系的所有subject或者object属于同一种类型（如：在“母校”的所有subject都属于“人”），或者多个关系之间往往存在依赖关系（如“城市”和“地区”的subject都是地名），但是现有模型都没有考虑这个约束，只是单独考虑每一个关系。本文工作利用这种约束以提升关系抽取任务的效果。
方法
本文从Coherent和Semantic两个角度出发，提出两种方法。
Coherent
一致性：满足约束的两个关系，预测概率要同时高。
矩阵v表示关系约束C,如果关系i和关系j满足约束，则v_ij=1。
Semantic
语义性：符合约束中某个规则的两个实例，至少有一个实例满足规则中的某个关系。
矩阵u表示约束C,如果关系j和关系k满足约束i，则v_ij=1,v_ik=1.
最后loss由两部分构成，Lo为原始的loss，Lc为约束loss。
实验
作者在ACNN和APCNN两个模型上进行验证，均获得了提升。