#Sentence Level, binary RE between given named entities(NE)#
Background
论文动机
- 作者发现一句话中针对实体提及可能会包含不止一个关系（多标签？）
- 已有关系会对目标实体对之间的关系产生影响，即可由关系推导出关系；不同关系之间往往会存在一定的联系，即目标实体对的关系会收到同一句话其他关系的影响；
论文贡献
- 在不利用任何外部语法工具的情况下表现 SOTA；
- 模型可以同时（simultaneously）生成句中每一实体对的表示（ a representation for each pair in the sentence）;
- 提出了一种迭代算法来生成实体（距离为）之间唯一的表示；
Model
基于实图的神经关系提取模型，该模型以图的方式来表达一句话中多个实体间的多种关系，其中实体被表示为图中的节点，试图间的关系则构成图的定向边，模型使用一个实体以其上下文初始化实体间的边，这样任意两个实体之间就会形成多个边连接组成的、长度不一的多跳路径。模型通过迭代的方式，将两个实体之间的多条路径逐渐聚合为一条路径，该路径对应于实体关系的最终表示。
Embedding Layer
生成维度为 , , 的vectors，分别对应于words, 实体的语义类型，目标实体对的相对位置；
Bidirectional LSTM Layer
Each sentence的词嵌入经过BILSTM得到新的词嵌入 ,对于每一个word，将BILSTM的两条方向的输出进行concat得到的新表示维度为；
Edge Representation Layer
BILSTM的输出包含两个部分：
（i）目标实体对的表示（target pair representations）
实体若由 个单词组成，则求该平均值作为实体的BILSTM 向量；
（ii）目标实体对的上下文表示（target pair-specific context representations）
denotes a trainable attention vector.可训练向量；
Attention 模块计算：
Representation of an edge: 降维作用
Walk Aggregation Layer
The goal of the layer: 面向实体间存在有限多路径的情况生成一个唯一的表示；
one-length walk <=>
Walk Generation
A directed entity graph :
Walk Aggregation
合并 初始路径 (length 1-to-; direct edge) 与 额外路径（extended walks, length two-to-2; indirect edge）
表示更短路径的重要程度，越短的路径与最终边的表示越相关，很好理解；
Classification Layer
共计关系，1为 no relation;
Experiment
数据集 ACE 2005
7 entity types, 6 relations type;
实验结果（就这点实验结果能发出去？？？这篇文章真的一般….）
针对句中出现不同实体数量的对比实验：
结论：
在多实体对句中，walks的方法远超SPTree；更短的walk路径对最终的表示更有效；过长的walk（）对于最终的边表示是没有意义的（no-meaningful）
Longer walks improve performance, but —More entities do not necessarily need longer walks
Walks can improve the detection of related pairs（召回率指标）
Relations between NE pairs are encoded with walks（这个体现了吗？？）
A:应该是多个 walk Aggregation，代表的是建模关系之间的联系 encoded
Too long relation walks (≥ 6-length) are hard to interpret, even by humans