前言

• 文章来源：LawsonAbs（51CTO）

• 望各位读者审慎阅读

1. 历史问题

• 无法解决复杂的三元组抽取，比如 SEO，EPO 问题
• 将标签看做是一个离散的点，这样不利于模型学习。【具体针对这一点的优劣势分析，后面再详述】

2. 想法

全文的思想精神就是：

The basic idea is to extract triples in two cascade steps.

采用的方法是pipeline，先抽取subject，然后再抽取与这个relation-specific 相关的object

we model the relations as functions that map subjects to object, which makes it crucially different from previous works.
这句话读着十分生硬，也不懂是什么意思。感觉有点儿故弄玄虚

3. 贡献

• directly model the triples and design a traning objective right at the triple level.
  之所以说是at the triple level，是因为之前的模型都是将二者但需训练。

$$
\begin{gather}
& \prod{j=1}^{|D|} [\prod{(s,r,o)\in T_j} p((s,r,o)|xj)] \
& = \prod{j=1}^{|D|} [\prod_{(s,\in T_j} p(s|xj) \prod{(r,o)\in T_j | s} p((r,o)|s,xj)] \
& = \prod{j=1}^{|D|} [\prod_{(s,\in T_j} p(s|xj) \prod{r\in T_j | s} p(o|s,xj) \prod{(r \in R \backslash T_j|s)} p((r,o)|s,x_j)] \
\end{gather}
$$
上面这个公式无非就是一个条件概率公式。

公式(3)便是这个模型标注想法的来源：

• 首先学习一个 subject tagger $p(s|x_j)$ 用于识别句中的 subject
• 对于每个关系r，然后学习一个object tagger $p_r{o|s,x_j}$，对于一个指定的subjet，去识别与关系相关的objects

以这种方式，我们就可以将每种relation 建模成一个函数，这个函数可以将subjects 映射成 objects，这种方式正和将(subject,object)对分类的方法相反。

所以我们就得到了模型的两个步骤：

• step 1: first run the subject tagger to find all possible subjects in the sentence

• step 2：for each subject found, apply relation-specific object taggers to find all relevant relations and the corresponding objects.

4. 模型

先上模型结构图，如下：

其中subject tagger 的损失函数是一个极大似然估计。

在解析subject的时候，采取的方法是最近的start-end匹配。

5. 问题

5.1 解释一下为啥 casrel 能够在一次抽取中获取到多个三元组？

其实这个与其自身结构有关，因为模型在抽取subject之后，会一次性抽取和某个relation相关的objects，而objects 可不止一个，所以会形成多个三元组。以Figure 2的那张图为例：

这张图就同时解析出(Jackie R. Brown, Birth_place, Washington) 和 (Jackie R. Brown, Birth_place, United States of America)