Entity-Relation Extraction as Multi-turn Question Answering
- ACL 2019
概述
- 研究内容：关系抽取
- 解决的问题：一对多复杂关系抽取问题
- 例子：
In 2002, Musk founded SpaceX, an aerospace manufacturer and space transport services Com- pany, of which he is CEO and lead designer. He helped fund Tesla, Inc., an electric vehicle and so- lar panel manufacturer, in 2003, and became its CEO and product architect. In 2006, he inspired the creation of SolarCity, a solar energy services Company, and operates as its chairman. In 2016, he co-founded Neuralink, a neurotechnology Company focused on developing brain–computer interfaces, and is its CEO. In 2016, Musk founded The Boring Company, an infrastructure and tunnel- construction Company.
- 上述段落中存在的关系形式
模型工作流程
- 抽取头实体
- 抽取尾实体+关系
- 抽取方式：通过生成Question List， 并且对每个Question进行求解
- 如上面例子：
可以通过如下的问答序列找到其中的实体以及关系
Q: who is mentioned in the text?
A: Musk;
Q: which Company / companies did Musk work for?
A: SpaceX, Tesla, SolarCity, Neuralink and The Boring Company;
Q: when did Musk join SpaceX?
A: 2002;
Q: what was Musk's Position in SpaceX?
A: CEO
Question如何生成
- 头实体Question
通过一个问句找到这段文字的头实体，问句可以用如下形式：
如：文中提到了哪个人？
- 尾实体以及关系Question
- 对于每一种关系，都可以找到对应的提问方式，若已知头实体'Musk'，则可以用如下Question来抽取'Musk'任职的公司
如：Musk在哪家公司工作过？
从上面的例子中可以看出，对于Question的生成，可以采用一种模板句，然后进行槽填充的形式对其进行生成
对于本文中处理的任务类型，可以使用如下模板来进行处理
\begin{array}{lll}
\hline \text { Q1 Person: } & \text { who is mentioned in the text? } & \mathrm{A}: e_{1} \
\text { Q2 Company: } & \text { which companies did } e_{1} \text { work for? } & \mathrm{A}: e_{2} \
\text { Q3 Position: } & \text { what was } e_{1} \text { 's position in } e_{2} ? & \mathrm{A}: e_{3} \
\text { Q4 Time: } & \text { During which period did } e_{1} \text { work for } e_{2} \text { as } e_{3} & \mathrm{A}: e_{4} \
\hline
\end{array}
- Tips
生成的Question可以是自然语言，也可以是伪语言
比如：
自然语言：Who is mentioned in the text?
伪语言：entity:persion
如何通过Question得到Answer
- 机器阅读理解
阅读理解题目类似于我们中学时语文试卷中给定一段文本材料，根据该材料回答给定的若干问题，通过对问题的回答来检查阅读理解的能力，就目前了解所知，阅读理解任务主要分类以下几种类型：
（1）完形填空式：类似高中英语卷子中的完形填空题目；
（2）答案选择式：类似高中英语的阅读理解题目，有多个候选答案-选择题；
（3）答案抽取式：问题的答案在原文中一定存在，并且为一个连续的区域块；
（4）答案生成式：根据给定的文本生成目标答案，阅读理解的终极目标。
对于本次任务，显然是对应第三类阅读理解任务，即从给定的段落中抽取答案。
- 传统的阅读理解做法
只需要求得答案所在文本的首尾角标，就可以得到答案，传统做法即进行两次分类，一次得到首角标，一次得到尾角标，通过有监督学习进行训练。
- 本课题的特殊点
由于本文提到的阅读理解任务答案可能不只有一个比如：
Q: which Company / companies did Musk work for?
A: SpaceX, Tesla, SolarCity, Neuralink and The Boring Company;
- 解决方案
使用BMEO标签：
B：Begin，标记答案的起始位置
M：Inner，标记答案的中间位置
E：End， 标记答案的结尾
O：OutOfAnswer,答案外的部分
这样问题就化解为一个序列标注问题，只需要将序列标注好，答案就得到了。
实验效果
对于传统的数据集，本文算法只需要提问两次就可以得出结果，并且该方法取得了state-of-the-art的结果。
新数据集RESUME（中文）
例子：
郑强先生，本公司监事，1973年出生，中 国国籍，无境外永久居留权。1995年，毕业 于南京大学经济管理专业; 1995年至1998年, 就职于江苏常州公路运输有限公司，任主办 会计; 1998年至2000年，就职于越秀会计师事务所，任项目经理; 2000年至2010年，就职于国富浩华会计师事务所有限公司广东分所, 历任项目经理、部门经理、合伙人及副主任会计师 ; 2010年至2011年，就职于广东中科招商创业投资管理有限责任公司，任副总经理; 2011年至今，任广东中广投资管理有限公司董事、总经理：2016年至今，任湛江中广创业投资有限公司董事、总经理：2016年3月至今，担任本公司监事。
