事物、概念之间的关系是人类知识中非常重要的一个部分，但是他们通常隐藏在海量的非结构文本中。为了从文本中抽取这些关系事实，从早期的模式匹配到近年的神经网络，大量的研究在多年前就已经展开。
然而，随着互联网的爆炸发展，人类的知识也随之飞速的增长，因而对关系抽取（Relation Extraction, RE）提出了更高的要求，需要一个有效的RE系统，能够利用更多的数据；有效的获取更多的关系；高效的处理更多复杂的文本；具有较好的扩展性，能够迁移到更多的领域。
本文介绍一种基于循环神经网络的关系抽取方法。
作者&编辑 | 小Dream哥
1 导论
因为基于统计的关系抽取方法需要复杂的特征过程，基于深度学习的方法得以引入，最早的应用在关系抽取中的深度学习模型是CNN，上一篇我们介绍了一种较早的用于关系抽取的CNN模型，感兴趣的读者可以看看：
【信息抽取】如何使用卷积神经网络进行关系抽取
相比于基于统计的方法，基于CNN的方法确实取得了不错的进展，但是CNN对于时序特征的抽取能力偏弱，特别是
当两个实体之间的“距离”比较远时，CNN模型的效果会变差。
RNN时最适合做时序特征抽取的模型，本文介绍一种简单的基于RNN的关系抽取框架，虽然简单，但是在当时取得了非常不错的效果。
Daojian Zeng, Kang Liu, Siwei Lai, Guangyou Zhou, and Jun Zhao. 2014. Relation classifification via convolutional deep neural network. In Proceedings of COLING, pages 2335–2344.
2 网络结构
如上图所示，是这次要介绍的基于RNN的关系抽取模型的的框架图，总的来说，这个框架非常的简洁，主要包括3个部分：词嵌入，双向RNN层，池化层。
1）词嵌入（Word Representation）
词嵌入就是目前NLP领域最普通的词嵌入，每一个输入词语转化成一个固定维度的向量。这个向量是从预先训练好的词向量字典中查找得到，这份词向量字典中的词向量表征了词之间的语义关系。论文中用到的词向量是用word2vec训练好的词向量。
2) 双向RNN层
采用双向RNN层进行特征抽取，这里的双向RNN是最朴素的RNN模型，通过双向RNN建模输入序列的语义特征。循环神经网络是NLP中最基本的概念，这里就不再赘述了。
3) 池化层
在现在的NLP模型中，池化层并不多见，但是在早期的深度学习模型中，池化用的还挺多的，主要是用于特征抽取。
输入序列经过双向RNN层的特征抽取之后，得到一个输出序列[h1,h2,h3,...ht]，那么如何利用这些特征，得到一个句向量，来表征输入序列呢？该论文中，参考CNN的池化层，做如下的操作，得到句向量m:
其中t表示输入序列的长度，M表示RNN的size。
总的来说，这个操作就是，对每一个维度，取t个特征向量中最大的值，得到一个维度为M的向量m，用来表征输入序列。
为什么最大池化能有效呢？论文认为，只有那些关键的特征对最后的关系分类有作用，通过模型的训练，可以突出这些特征，从而获得效果。
4) 输出层
输出层就非常的简单了，接一个全连接层，在接softmax就可以输出分类，然后用交叉熵做损失函数，用来训练了。
需要提出的是，论文的输入还引入了实体位置的标识(Position indicators)。即用特殊的标识在输入序列中将两个实体标识出来，例如：
<e1>周杰伦</e1>的<e2>七里香</e2>很受欢迎。
3 模型效果
如上图所示，展示了模型增加不同部分，对最终F1值的影响，我们可以得出一下结论：
(1) 最大池化对模型的效果影响很大：池化的过程能够提取出对关系分类最重要特征，用于分类。
(2) 标识出实体的位置能够给模型带来很好的性能提升。
这些结论和经验对于后续的模型建模都是宝贵的经验，基于这些经验，后面的工作才能更能进一步。
总结
本文介绍了一种基于循环神经的关系抽取的方法，总的来说，这个模型很简洁，但是效果却很好。
最大池化能够提升模型的性能，但是同时也会损失很多特征。因此这个模型对于一些难度较高的，需要一定的语义理解关系的情况会比较吃力，这也是为什么后面的NLP模型都摒弃了池化层的原因之一。
前面介绍的都是关系分类模型，下一篇介绍一种一个模型就能够抽取出来实体和关系的联合模型。
下期预告：一种端到端的关系抽取模型
- =