“Joint entity and relation extraction based on a hybrid neural network ”

————-本文发表于2017年的NeuroComputing期刊上。
利用神经网络的方法实现命名实体识别（NER）和关系抽取（RE）的联合学习。
整个模型的框架和思想相对简单，框架如下图所示：

该框架首先使用一个BiLSTM对输入（句子）进行编码，然后将该编码结果分别送给NER模块和RC模块，这里的联合学习主要体现在底层的BiLSTM编码上，即两个模块共享了这个编码。（接下来，将不再对BiLSTM模块赘述，只介绍NER模块和RC模块）

NER模块：

关于NER，最简单的方式可以直接在BiLSTM编码后接一个全连接层进行tag（标签）分类，但是考虑到tag之间的联系（将另写一篇博客关于NER的，将在那里详述这个联系），同时考虑encode-decode的框架，这里再使用一个LSTM进行decode。
这个decode也是一个典型的LSTM，不过他的输入（t时刻）是h_t（编码模块的输出），cell是s_t，输出是T_t，然后是一个全连接层和softmax层来分类。

RC模块：

RC模块使用的是CNN分类器，考虑到实体词之间的序列对于分类最有用，所以对于实体e₁和e₂，CNN的输入是h_e1,w_e1,w_e1+1,…w_e2,h_e2。其中h_e来自BiLSTM，是实体的编码信息，w_e是词嵌入。CNN的结构如下图所示（将在另一篇关于实体关系抽取的博客中详述该方法）：

实验：

作者使用的ACE05数据集，分别定义了NER任务和RC任务上的损失函数。首先训练NER模块识别实体并获取实体的编码信息，然后训练RC模块根据编码信息和实体组合对关系进行分类。