ComputerEngineeringandApplications计算机工程与应用2023，59（13）实体和关系抽取的目的是从非结构化文本中寻找实体的关系结构。许多下游任务，如基于知识的自动完成[1]、基于知识的问答[2-3]和视觉问答的符号技术[4]依赖于此任务。快速联合实体和关系抽取模型杨冬1，2，田生伟1，2，禹龙1，2，周铁军3，王博11.新疆大学软件学院，乌鲁木齐8300002.新疆大学软件技术重点实验室，乌鲁木齐8300003.新疆互联网信息中心，乌鲁木齐830000摘要：从纯文本中抽取实体和关系是知识和问答任务的关键技术。传统的多头模型预测所有片段对的关系类型，而由于关系的稀疏性，片段对的负标签数量远大于正标签。同时，该计算方式导致计算量与句长度的二次方成正比，降低了模型的实用性。为解决该问题，快速实体关系抽取模型被提出。对于命名实体识别任务，实体的开始和结束标签分别对两个指针网络预测。在关系抽取任务中删除了不包含实体结束标签的语义片段对。该方法减少了片段对的数量并加快了关系抽取任务的推理速度。为了证明模型的有效性，在英语新闻数据集ACE05和荷兰语房地产数据集DREC上进行了实验。实验结果表明，与基线模型相比，该模型取得了有竞争力的性能，其推理速度在ACE05上提高了约1.4倍，在DREC上提高了约2.1倍。关键词：实体识别；关系抽取；神经网络；自然语言处理；信息抽取文献标志码：A中图分类号：TP391doi：10.3778/j.issn.1002-8331.2204-0327FastModelforJointExtractionofEntityandRelationYANGDong1，2,TIANShengwei1，2,YULong1，2,ZHOUTiejun3,WANGBo11.CollegeofSoftware,XinjiangUniversity,Urumqi830000,China2.KeyLaboratoryofSoftwareEngineeringTechnology,XinjiangUniversity,Urumqi830000,China3.XinjiangInternetInformationCenter,Urumqi830000,ChinaAbstract：Extractingentitiesandrelationsfromplaintextisakeytechniqueforknowledgeandquestionansweringtasks.Thetraditionalmulti-headmodelpredictstherelationtypeofallsegmentpairs,whilethenumberofnegativelabelsforsegmentpairsismuchlargerthanpositivelabelsduetothesparsityofrelations.Atthesametime,thiscalculationmethodcausesthecalculationamounttobeproportionaltothesquareofsentencelength,whichreducesthepracticabilityofthemodel.Tosolvethisproblem,afastextractionmodelofentityandrelationisproposed.Forthenamedentityrecognitiontask,thes...
