[EMNLP2017]End-to-End Neural Relation Extraction with Global Optimization

我们首先了解该paper解决的问题，也就是任务：

句子级的实体识别和关系判断，针对Figure 1给出的一句话：Associated Press writer Patrick McDowell in Kuwait City 识别这句话中出现的识别，其实就是给句子打标签，在本在本文中，实体的标签表示如下：
B-∗, I-∗, L-∗, O, U-∗, ∗代表了具体的实体类型，例如组织名，人名等
在识别完实体之后，针对识别出的实体进行两两关系判断，关系的标签类型如下：
∗→, ∗←, ⊥, ∗指的是具体的关系类型，并且关系是有方向的，所以有了左右箭头，⊥代表要判定的两个实体之间没有关系．

下图给出了本文在做实体识别和关系抽取时最主要的流程：

仔细观察Figure 2的table的上半三角中每个表格，每个表格中都有数字，就是解析过程中每一步．表格的个数是m=n(n+1)2, n是句子长度，m就是解析序列的长度，就是Figure 2　上半三角中表格的个数．
在解析的过程中，仍然是识别句子中所有的entity, 就是首先填充对角线，然后针对识别出的实体进行两两判断关系，但是本文用了beam search，在每一步都保留之前解析结果的top k个得分最好的，第i+1步时保留的top k个解析结果的排序已经发生了变化，而且重要的是，将实体识别序列和关系识别序列一起打分的，所以说是全局最优的．
打分函数如下：

部分填充的table:　T0T1...Ti−1Ti...Tm
Ti−1对应的解析序列是：　l1l2...li−1
Ti = FILL(Ti−1, li),
根据公式（１）那么目前的问题是：如何用embedding表示Ti，即ht

在上图的（a), (b)中的实体识别和关系判定的神经网络中都有一个hT,
一个解析序列的得分就是hi的相加
在选取特征时用了LSTM-Minus, 我觉得挺有意思的．