[COLING2016]Relation Extraction with Multi-instance Multi-label Convolutional Neural Networks

我将能表示论元大意的图片一一给出.然后再给出解释:
远程监督学习就是给包打标签, 一个包里的所有句子包含的实体对是相同的. Figure 1也就是本文的做法就是将包里所有的句子一起处理, 确定实体对的关系(不是一个关系类型,一个包可能有多个关系)
Figure 3给出一句话的处理过程, 首先将句子pad 零到句长为h, 然后将句子每个词都转换为embedding(word embedding + 两个位置embedding), 通过卷积得到 $c$ = [c $_{1}$ , c $_{2}$ ,…, c $_{(h - w_{c} + 1)}$ ], 接着利用piecewise max-pooling 得到Sentence Representation $p$ $\in$ R $^{3 n}$
如果一个包里有m个句子, 每个句子都要经过Figure 3的处理得到 $p^{(1)}$ , $p^{(2)}$ , … , $p^{(m)}$ , 然后经过Figure2的处理得到 $g$ , 最后经过输出层得到包的关系
关于损失函数本文用了两个, 还有多标签的问题,这个稍后讨论

[COLING2016]Relation Extraction with Multi-instance Multi-label Convolutional Neural Networks

相关推荐