该篇文章将实体抽取任务（EE）与实体关系联合抽取任务（JE）结合，考虑了两个任务内在的依存关系。该论文提出了一个新的标注框架，与新的decoder方式，在公共数据集 NYT10 与NYT11上刷新了性能记录。
论文的主要贡献
- 是第一个研究实体提取和联合提取任务之间的相互依赖性的人。
- 提出了一种新颖的分层多任务标记模型，以共同提取实体和关系。 此外，通过消融测试验证了模型捕获此类相互依赖性的能力。
- 在两个广泛使用的公共数据集NYT10和NYT11上，提出的模型大大优于最新方法，F1-得分分别提高了1.6％和6.1％。
模型设计
1.png
EE任务的标记框架采用主流的BIOES，对于JE任务，每个标签都由三个部分组成：关系类型，关系角色和相对于（h，r，t）的关系三重形式的单词位置。 与EE任务不同，由于观察到（来自作者的经验实验）增加候选标签的数量会损害JE任务的性能，故使用“ BIO”方案。
Word Embedding采用Glove。Encoder都采用BiLSTM，而Decoder作者没有采用传统的CRF或者vanilla LSTM而是提出了一种新的LSTM作为Decoder公式如图。模型训练的loss为EE任务与JE任务的loss之和。
2.png
3.png
