关系抽取简介
实体（Entity）的关系抽取（Relation Extraction）作为NLP领域的一项基本任务，很早就被学者关注到了。早期的实体识别通常基于概率图模型，如隐马尔可夫链（Hidden Markov model，简写 HMM），条件随机场（Conditional random field， 简写CRF），实体识别完成以后再进行实体的关系分类，这就是早期使用的Pipline方法，也称为流水线式的抽取方法。这种方法在今天仍然发挥很大的作用。
另一种方式就是Joint Model方法，一个模型完成多个任务，包括实体识别和关系分类两个任务，底层使用参数共享的方式，很好地做到了端到端（end to end）处理方式，并且取得了非常好的效果。
论文介绍
本文最大的贡献是通过定义一种新的标签集，将Joint Model任务转化为序列标注问题，也就是实体识别。关键是把关系定义到标签里。
来看一下论文中提出的标签策略，实体United States标签本来应该是B-ORG E-ORG，修改为B-CP-1 E-CP-1，而实体Trump应该是S-PER，修改为S-CP-2.实体标签里已经包含了关系CP（Country-President）关系。
通过上面的作为，只要完成序列标注问题，实体的关系也就完成了。
论文的网络结构
本文是在2017年发表，当时处理序列问题流行的仍然是LSTM，下面是编码器和解码器的网络图。
可以看到编码器采用双向的LSTM获取输入的序列特征，解码器使用单向LSTM，并且将上一个输出标签也作为下一个标签的输入，这个点非常重要，因为标签的之间的关系是非常重要的特征。最终输入到softmax层。
论文的一点想法
本文最大的贡献肯定是新标签的提出，将两个任务转化为一个任务，代价是标签的种类增多了，如果在特定领域内或者关系种类较少的情况下，这样的做法简单有效，但是对于开放域，关系较多的情况下，使用这种方法，最终关系分类会进一步增加，效果也有待实验验证，个人觉得效果也不会太差。
