关于Extracting Multiple-Relations in One-Pass with Pre-Trained Transformers这篇论文

[tc1713796338]

感谢作者分享的代码，对我的学习研究工作有很大的帮助。在readme最后的Paper realization中看到了Extracting Multiple-Relations in One-Pass with Pre-Trained Transformers这篇论文，请问在代码中哪里进行了改进，另外实体识别模型中，不知道我理解的对不对，为什么用了softmax分类而不是crf呢？

[yuanxiaosc]

就是把输出结果的方式用了该论文的方式（效果并不好）；用crf还是softmax取决于实验效果和性能的综合考虑。 tc1713796338 <[email protected]> 于 2020年9月5日周六 下午6:00写道：

…

感谢作者分享的代码，对我的学习研究工作有很大的帮助。在readme最后的Paper realization中看到了Extracting Multiple-Relations in One-Pass with Pre-Trained Transformers这篇论文，请问在代码中哪里进行了改进，另外实体识别模型中，不知道我理解的对不对，为什么用了softmax分类而不是crf呢？ — You are receiving this because you are subscribed to this thread. Reply to this email directly, view it on GitHub <#16>, or unsubscribe <https://github.com/notifications/unsubscribe-auth/AD3PCEQE35ONT3OXPYAC6QLSEID33ANCNFSM4Q2WKUEA> .

[tc1713796338]

十分感谢您的解答

[tc1713796338]

另外我看到在Main principle中，第二张图片给出了Attending to All Mention Pairs for Full Abstract Biological Relation Extraction论文的模型结构图，据我个人理解，是将实体识别和关系抽取的loss相加的过程用到了论文中的思想，不知道我理解的对不对

[tc1713796338]

您好，实在多有打扰，您说的输出结果的方式用了论文中的方式，具体指的哪里呢，十分感谢，十分感谢

[tc1713796338]

您指的输出结果的方式是说实体识别模块bert隐藏层输出用了论文中的方式嘛，我学的很吃力，所以向您请教，多有打扰，希望能得到您的回答，这对我的学习有很大的帮助

[yuanxiaosc]

@tc1713796338 你的理解是对的，该资源把bert当做特征抽取器，然后把上述论文当做输出层使用。平时工作很忙，来不及回复，见谅，学术交流可以发我邮件

[tc1713796338]

十分感谢您的解答

[tc1713796338]

看了您的解释对我理解论文大有帮助，只是反馈到代码上，又有一些迷茫，您说的bert当作特征提取层我很理解，Extracting Multiple-Relations in One-Pass with Pre-Trained Transformers这篇论文当做输出层，具体是在代码中如何体现的呢，是在下图中的实体识别模块中应用的吗，可是我没有找到论文中说的两个实体经过bert后，加和平均，然后再拼接的操作，我觉得还是我理解的不够透彻，您的回答对我有很大的帮助。再次感谢您前几次的帮忙和解答

[yuanxiaosc]

@tc1713796338 我回顾了下代码，发现只用到了 Joint entity recognition and relation extraction as a multi-head selection problem这篇论文的策略。有关这篇论文 Extracting Multiple-Relations in One-Pass with Pre-Trained Transformers你可以直接去搜他的官方实现看。我其实更建议你去搜一些顶会较新的论文来看，他们现在一般用pytorch写代码，看起来更容易。TensorFlow1.X的代码太恶心了，直接带劝退功能。

[tc1713796338]

好的好的，十分感谢，我明白啦