一、写在前面的话
这篇论文发表于ACL2016，和《Relation Classification via Convolutional Deep Neural Network》一样是关系分类领域经典的论文之一，引入了attention+BiLSTM的结构进行关系分类任务，同时不使用位置向量，而是通过Position Indicators来引入实体信息，在不使用任何Lexical-Feature的情况下，可以到达较高的分类准确率，但该研究同样存在创新不足的问题（在关系分类领域这个问题其实蛮严重的，很大一部分的研究都只是简单地迁移了文本分类的模型。现如今随着预训练模型愈发火热，如何做好关系领域的预训练任务将是未来的一个方向）。
二、论文笔记
1. 论文整体架构
下图是论文网络的整体架构，基本上就是照搬文本分类中的Attention+BiLSTM，在结构上完全没有为了关系分类这一任务做什么调整。
Attention部分也是较为简单的self-attention，其式子如下所示：
2. Position Indicators
Position Indicators直接使用标签来表示两个entity的位置，例如在SemEval2010_task中:
The <e1> child </e1> was carefully wrapped and bound into the <e2> cradle </e2> by means of a cord
这个句子，就可以使用 <e1>、<\e1>、<e2>、<\e2> 作为四个Indicators。在训练的时候，直接将这四个标签作为普通的word即可突出两个entity。
这个方法也不是该论文首创的，在《Relation classification via recurrent neural network》，已经被提到，其效果如下图所示：
3. 实验结果
在没有使用额外特征的情况下，达到84%的F1 Score，充分说明了Attention机制的作用，但个人在复现的时候并没有达到这个分数，具体过程在能达到差不多的分数后再补充。
三、总结
同《Relation Classification via Convolutional Deep Neural Network》大同小异，都是简单地迁移了文本分类中效果较好的模型，相较前者，该论文则迁移地更彻底，创新性不是很足，但同样对于刚踏入这一领域的人来说，这篇论文是入门的必选之一。
