划重点：TPLinker是实体关系抽取的新范式，巧妙设计了统一的联合抽取标注框架，可实现单阶段联合抽取、并解决暴露偏差，同时依旧可以解决复杂的重叠关系抽取。 实体关系抽取是NLP社区备受关注的子任务之一，热度很高，在2020年SOTA就

为了解决实体关系联合抽取中存在的重叠关系和暴露偏差问题，本文提出了一个单阶段联合抽取模型——TPLinker，在2个数据集（NYT和WebNLG）上达到了SOTA。

Empirical Analysis of Unlabeled Entity Problem in Named Entity RecognitionBackground(要解决的问题) 在NER任务中，存在着未标注实体问题（unlabele

Named Entity Recognition as Dependency Parsing消融实验 双仿射分类器 ICLR 未标注实体问题Background(要解决的问题)命名实体识别（NER）任务涉及到识别表示实体引用的文本范围。NE

参考文献 Negative Sampling负采样采的究竟是什么 Understanding Negative Sampling in Knowledge Graph Embedding Generating negative eviden

本文通过将联合实体关系抽取任务定义为一个Nx(N+1)/2的排列组合span分类问题，通过负采样，局部上下文技巧，解决了entity overlapping问题，并在实验数据集上达到了SOTA。

本文通过将联合实体关系抽取任务定义为一个NxNxC的分类任务，通过multi-head selection的方式为每个实体抽取多个关系。

本文思路来源于苏建林大佬的Conditional Layer Normalization，本人整理消化后写的笔记。

论文名字@article{zhou2021role, title={What the role is vs. What plays the role: Semi-supervised Event Argument Extraction