针对传统下的三元组抽取提出的一种方法，在NYT和webNLG数据集上，再次刷新榜单。
本来对这个结果不是很确定，但作者公布了源码，we can reformulate it .

很少在看到这种文章了吧。

Core idea

换了一种解释思路。
从entity-entity的interaction和entity-relation的interaction两种角度提出的模型结构。
根据entity-entity和entity-relation两种关系得到triple。

Model structure

在句子尾部拼接上具体的关系类型，然后，通过bert 的内在注意力机制则可以建立token和token之间的交互关系，（这其实就是一个table filling task），通过二分类问题，将每个格子内填充具体的值，表明两者之间是否存在关系。

粉色是entity-entity之间的交互，蓝色是object和relation之间的交互，绿色是subject和relation之间的交互。
根据这三种交互关系，可以得到最终的triples.

loss function

损失函数时通过binary_cross_entropy loss 计算的。
N+M：N是original sentence，M是relation classes。

Experiments

在NYT 和webNLG上的效果较佳。

1. Effect of the Unified Representation

我们使用BERT的占位符[unused]来表示表1中标记为UniRel_unused的关系。与无意义的标签ID一样，[unused]标记的嵌入在微调阶段被随机初始化，没有增加从预训练中学到的有意义的语义信息。我们可以看到，在没有统一表示的情况下，两个数据集的所有评价指标都出现了性能下降，这表明语义信息对关系型三元组提取的重要性。

2. Effect of the Unified Interaction
   为了研究统一交互的影响，我们将关系序列从输入句中取出，以单独的方式对两种交互进行建模，在表1中表示为UniRel_separate。具体来说，**我们首先用同一个BERT编码器分别得到输入句子和关系的自然语言文本的序列嵌入。然后，我们应用两个转换层来获得查询和两个嵌入的连接的关键。**最后，通过对查询和密钥进行点制作，输出交互图。