一个关于ollie的论文解读，论文目的在于知识图谱三元组提取

前言：

模型作用为提取三元组，基于英文，目前尝试改为中文。

论文题目名称叫《Open Language Learning for Information Extraction》,代码地址： https://github.com/knowitall/...

论文核心：

论文核心主要解决2个问题，一个是基于动词结构之外的三元组提取，例如形容词等，二是基于上下文的三元组提取，举例说明。这里论文与reverb和woe两种抽取方式做比较。

在1-3句话中，基于reverb和woe的提取为none，即什么也提取不到。但基于ollie，其可以提取到，也就是解决了reverb和woe的第一个缺点。

举例说明一下：例如第一句Saint 赢了超级杯后，就成了美国橄榄球联盟的顶级球员。 这句话里没有动词，所以reverb和woe什么都提取不到。

在4-5句中，ollie是基于上下文的抽取，所以reverb和woe的抽取只能抽到地球是宇宙的中心，但无法抽到eraly astronmers，而ollie能够抽到attributedto。

举例：在很早以前人们认为地球是宇宙的中心，reverb和woe提取的是地球是宇宙中心，这显然不对。而ollie可以提取到AttributedTo相信;早期的天文学家。

以上两点取自论文Introduction。

如何做的：

1.扩展关系短语的句法范围，以涵盖更多的关系表达式。

2.扩大开放即表示允许额外的上下文信息,如归因和子句的修饰符

具体做法：

（1）构造一个引导集