陈丹琦新作：关系抽取新SOTA，用pipeline方式挫败joint模型

端到端关系抽取旨在识别命名实体，同时抽取其关系。近期研究大多采取 joint 方式建模这两项子任务，要么将二者统一在一个结构化预测网络中，要么通过共享表示进行多任务学习。

而近期来自普林斯顿大学的 Zexuan Zhong、陈丹琦介绍了一种非常简单的方法，并在标准基准（ACE04、ACE05 和 SciERC）上取得了新的 SOTA 成绩。该方法基于两个独立的预训练编码器构建而成，只使用实体模型为关系模型提供输入特征。通过一系列精心检验，该研究验证了学习不同的语境表示对实体和关系的重要性，即在关系模型的输入层融合实体信息，并集成全局语境信息。

此外，该研究还提出了这一方法的高效近似方法，只需要在推断时对两个编码器各执行一次，即可获得 8-16 倍的加速，同时准确率仅小幅下降。