论文阅读2（结合表示学习和多头注意改进生物医学交叉句n元关系抽取）
【论文阅读-BMC (2020)】 and to cross- n-ary
文章目录 n-ary and al long short-term layer
背景：要处理跨句的多元关系。现在主流的跨句多元关系抽取方法不仅太依赖语义解析，而且忽略了先验知识
方法：
利用了从知识图中学习到的多头注意和知识表示。
1）自注意力机制（可以直接捕捉两个词之间的关系，而不考虑它们的句法关系）
2）利用知识库中的实体和关系信息（帮助预测）
结果：
1、直接对序列进行操作
2、 并学习如何对句子的内部结构进行建模。
3、我们将从知识图中学习到的知识表示引入到跨句n元关系抽取中。基于知识表示学习的实验表明，在知识图中可以提取出实体和关系，编码这些知识可以提供一致的收益。
1、rule-based
基于规则的方法主要利用语言学家设计的句法规则从文档中提取实体之间的关系。随着跨句文档长度的增长，人工设计的语言规则的使用变得复杂且效率低下[7]。
2、 -
神经网络在基于机器学习的方法中占主导地位。神经网络不需要人工设计特性，而且性能非常好。
CNN
CNN（CNN通过卷积核学习序列局部特征。）
RNN
RNN（RNN是一种线性神经网络，是处理序列特征的理想方法。与CNN相比，大多数生物医学关系提取方法以RNN为主要框架。）
RNN的局限性：1)随着序列长度的增长，需要强大的存储能力来保存长序列的完整信息。2）它很难处理树状结构文档，忽略了词的依赖关系。
LSTM
LSTM（利用一系列门控机制来避免梯度的简化和压缩。）
>1
n-ary
例：（The on exon 19） of the（ EGFR gene） was in 16 , while （the L858E point on exon 21） was noted in 10. All were with （ ）and a .。显示出基因、突变、药物 的关系。
LSTM’s
Tree LSTM（解决第二个问题：树LSTM中的隐藏层单元不仅包含前一个序列信息，而且通过依赖关系将子节点的信息集成到当前节点中。）
Graph LSTM（为解决跨句n元关系抽取的难题，它是树LSTM的简化版本，因为每个节点最多有2个传入。）
GS GLSTM（使用并行状态对每个单词进行建模，并通过消息传递循环地丰富状态值。）
LSTM-CNN（综合了LSTM和CNN的特性，同时利用了长程序列信息并捕获了最具信息量的特征。）
LSTM 的变体
GNN
GNN （GNN是一种可以学习节点属性信息和图的结构信息的神经网络[14]。与单纯的rnn相比，GNN具有一定的优势，因为GNN可以通过构造的句法依赖来捕获句子的长期依赖，解决关系抽取任务）
AGGCN（利用多头注意来诱导节点之间的关系。）
参考GNN综述
本文采用+Multi-head ，
将Bi LSTM层与多头注意力连接起来。在跨句中，多次使用注意可能会比单个注意学习到更丰富的特征。
在通用模式中，实体对及其关系的文本表示被编码到与规范知识库关系相同的向量空间中。
知识表示学习是将知识三元组数据转化为低维向量空间的一种方法。该方法得到的实体和关系的连续表示保留了三元组的属性信息。然而，在跨句n元关系抽取中，知识表征学习还没有得到很好的研究。
1.是一种典型的知识表示学习模型，它使用关系作为头实体到尾实体的转换操作[21]。例如，e1+r≈e2，其中e是实体，r是关系。然而，模型在处理1-N、N-1和N-N复合关系时存在局限性。
2.为了解决这一问题，Wang等人提出了一种实体在不同关系下具有不同表示的方法[22]。
3.Lin等人提出了一种保证不同关系具有不同语义空间的方法[23]。对于每一个三元组，使用矩阵将实体投影到相应的关系空间中，然后使用从头部实体到尾部实体的转换关系。
4.针对知识库中实体的异构性和不平衡性以及模型中矩阵参数过多的问题，Ji等人提出了一种方法，对方法进行了优化[24]。
本文使用
多头注意机制直接提取输入的全局依赖关系，而不考虑句子的长度。
知识表示学习利用KG中的实体和关系信息，在预测关系的同时施加帮助。我们的方法利用从多个注意中获得的编码上下文表示信息，以及嵌入的关系表示信息，改进跨句n元关系抽取。
贡献：
•提出了一种新的神经网络方法，利用KG的表示学习来学习n元关系抽取中的先验知识。
•我们的方法首先使用Bi LSTM对句子进行建模，然后使用多头注意力来学习Bi LSTM输出的丰富的潜在特征。
•在跨句n元关系抽取数据集上进行了实验，取得了最新的性能
graph
在数据集：
Gene Drug and the of in base
基因药物知识库
癌症知识库变异的临床解释
** 来抽取drug-gene and drug- pairs **
E, R andT the sets of , and facts.Each (h, r, t) ∈ T that there is a r ∈ R h ∈ E and t ∈ E. More , we can two types of , such as (ed, r, eg) and (ed, r, em). ed, eg, em and r a drug , gene , and a , .
model
在建立KG后，我们使用翻译模型对实体和关系进行统一编码。在从句子中进行关系抽取时，我们首先从句子中获得实体的标识，然后利用标识来获得实体在KG中的向量表示。
翻译模型的基本思想是两个实体之间的关系对应于两个实体的嵌入表示之间的转换。
我们的模型概述。首先通过连接单词和位置嵌入对每个单词进行编码，然后多线程注意力直接绘制输出的全局依赖关系。然后，利用KG中的关系信息将句子嵌入到句子中。edrug、egene和分别是药物、基因和突变实体。vdrug基因和vdrug突变表示不同的关系载体。最后，将实体关系信息的句子表示输入到分类器中。
Word and
Word ：本文利用和Web文本预训练向量初始化文本嵌入，通过预训练的单词将每个单词映射到相应的特征向量上。
：根据当前单词到实体的相对距离来计算的。每个单词有三个相对距离。我们随机初始化三个位置的嵌入矩阵，然后通过查找()将相对距离转换成向量。
long short-term layer
LSTM使用门控机制来缓解梯度问题。本文利用双向长短时记忆网络（）来学习更多的上下文信息。
虽然Bi-LSTM可以有效地自动地从输入序列中学习潜在特征，但在n元关系提取中很难学习到丰富的潜在特征。使用多头注意机制的启示是学习交叉句中的词依赖性，捕捉句子中的重要信息。
layer
没有直接使用多注意输出表征B，而是将每个句子的嵌入嵌入到从翻译模型中得到的对应实体的翻译关系中。
在本文的参数设置上，我们用五次交叉检验的平均精度来验证模型的性能。在我们的实验中，我们的模型基于作为后端计算框架[27]。我们用交叉熵作为损失函数。为了防止训练过程中模型过度拟合，模型的不同层使用了退火技术[28]。在一个小型开发数据集上的初步实验基础上设置了超参数。维向量表中所示的是通过glow向量初始化的维向量。而词向量是通过维基百科和网络文本[29]获得的，LSTM中隐藏单元数为200个，最小批数为6个，Adam的学习率为0.001[30]，时代数为10个，头数为4个。在实验中，我们使用作为主要的翻译模型。最后的实验结果在验证集上选择最佳实验模型，并使用测试集进行验证。和宋一样，我们从训练集中随机选择200个实例作为验证集。
with
Fine-
细粒度分类结果
我们评估了多脑注意在n元关系抽取中的有效性。在本实验中，所有的模型都使用多头注意机制和单词和位置嵌入相结合作为输入表征。为了验证不同头部的影响，我们从{2,4,8}中随机选取了几个头部。表5显示了结果。多头注意力可以与不同头部的重要特征相结合，表现出一种综合特征。我们注意到，当头数设置为2或8时，性能将下降。总的来说，当头部数目为4时，多头部注意力的准确率最高，达到87.1。
The of
The of
