現有的關係抽取方法大多是先識別所有實體然後再確定關係型別。但是這類方法並沒有考慮到實體與關係之間的作用。本文應用分層強化學習框架來增強實體提及和關係型別之間的互動，將相關實體視為關係的集合。此外，該方法還解決了抽取重疊關係（Overlapping Relations）的問題。
研究動機
該研究主要解決的問題有兩個：
1. 大部分現有的方法在實體被識別後才決策關係型別。這種方法存在兩個弊端：一是並沒有充分挖掘實體和關係之間的聯絡，而是把他們割裂作為兩個子任務去處理；二是很多和關係無關的實體會帶來噪聲；
2. 關係抽取會存在重疊關係問題（也叫一對多問題）。在一句話中，一個實體可能會存在多個關係，或者一個實體對可能存在多種關係。目前已知只有 CopyR 方法研究了這個問題，但是本文作者實驗證明了這種方法嚴重依賴資料，並且無法抽取多詞語關係。 如圖：
層次抽取框架
首先，文章定義了“關係指示符”（Relation Indicator）。 當在一句話中的某個位置有足夠資訊去識別語義關係時，我們把這個位置就叫做“關係指示符”。它可以是名詞、動詞、介詞，或者是一些其他的符號比如逗號、時間等等。關係指示符在本結構中非常重要，因為整個的關係抽取任務可以分解為“關係指示符”和“關係中的實體抽取”。
整體來看，關係抽取過程如下：
一個 agent 在掃描句子時預測特定位置的關係型別。不同於識別實體對之間關係的關係分類，該過程不需要對實體進行標註。當在一個時間步中沒有足夠的資訊來指示語義關係時，agent 可以選擇 NR，這是一種指示沒有關係的特殊關係型別。否則，觸發一個關係指示符，agent 啟動一個用於實體提取的子任務，以識別兩個實體之間的關係。當實體被識別時，子任務完成，代理繼續掃描句子的其餘部分尋找其他關係。
這種過程可以被表述為半馬爾可夫決策過程：1）檢測句子中關係指示符的高階 RL 過程；2）識別對應關係的相關實體的低階 RL 過程。
通過將任務分解成兩個 RL 過程的層次結構，該模型有利於處理對於同一實體對具有多種關係型別的句子，或者一個實體涉及多種關係的情況。過程如圖：
下面分別介紹兩個決策過程。
Relation Detection with High-level RL
High-level RL 的策略（policy）µ 旨在從句子中找到存在的關係，可以看做是帶有 options 的 RL policy。option 指的是一旦 agent 執行了某個選項，就會啟動低階別的 RL 策略。
Option：option 在集合 O = {NR} ∪ R 中選擇，當 low-level RL 進入結束狀態，agent 的控制將被 high-level 接管去執行下一個 option。
State：狀態 S 由以下三者共同決定：當前的隱狀態，最後一個 option 的 relation type vector
和上一個時間步的狀態
。公式如下：
是非線性變換，
是由 Bi-LSTM 得到隱狀態。
Policy：關係檢測的策略，也就是 option 的概率分佈，如下，其中 W 是權重：
Reward：環境提供給 Agent 的一個可量化的標量反饋訊號，也就是 reward。reward 計算方法如下：
最後，用一個最終的 reward 來評價句子級別的抽取效果：
Entity Extraction with Low-level RL
當 High-level RL policy 預測了一個非 NR 的relation，Low-level RL 會抽取 relation 中的實體。High-level RL 的 option 會作為 Low-level RL 的額外輸入。
Action：action 會給當期的詞分配一個 tag，tag 包括 A=({S,T,O}×{B,I})∪{N}。其中，S 是參與的源實體，T 是目標實體，O 是和關係無關的實體，N 是非實體單詞，B 和 I 表示一個實體的開始和結束。可參看下圖：
State：類似 High-level RL 中的關係檢測，High-level 中的狀態計算方法如下：
是當前單詞的隱狀態，同樣也是經過 Bi-LSTM 計算得到，Vet 是可學習的實體標籤向量，
是上一階段的狀態（注意，既可以是 High-level 的狀態，也可以是 Low-level 的狀態）。g 和 f 都是多層感知機。
Policy：由句子到實體的概率計算如下：
Reward：給定一個關係型別，通過 policy 可以很容易得到實體標籤。我們需要用 reward 來衡量預測的標籤是否準確：
其中，λ(y) 用來降低 non-entity tag 的權重。
Hierarchical Policy Learning
在優化 High-level policy 時，我們需要最大化預期累積回報，如下：
γ 是 RL 中的折扣因子。在結束前，整個取樣過程需要 T 個時間步長。
同樣的，在優化 Low-level policy 時，我們也需要最大化累計回報，公式如下：
把累計回報分解成 Bellman 方程，得到：
當實體提取策略根據選項 ot 執行時，子任務持續的時間步數是 N。當 option 是 NR 是，N=1。
可以一同優化 High-level 和 Low-level 兩段策略，High-level 的梯度是：
Low-level 的梯度是：
整個訓練過程如下：
實驗
資料集：通過遠端監督得到的資料：NYT10 和 NYT11。
引數設定：預訓練詞向量使用 300 維的 GloVe 詞向量，Relation Type Vectors 和 Entity Tag Vectors 是隨機初始化的，學習率：4e − 5，mini-batch size：16，α = 0.1，β = 0.9，discount factor γ = 0.95。
評價方法：採用 micro-F1 評價方法，如果關係型別和兩個對應的實體都正確，則認為三元組是正確的。
Baselines：作為對比的 baseline 方法有：FCM、MultiR、CoType、SPTree、Tagging 和 CopyR。
實驗結果
Split：輸入為 c×h×w 的特徵圖，和
均表示 Group Convolution。這裡使用 Group Convolution 以減少計算量。注意，這裡兩路 Group Convolution 使用的卷積核大小不一致，原因在於 Motivation 中說的第一點，提升精度。
▲ 關係抽取
▲ 重疊關係抽取
▲ 關係檢測總結
在本文中，作者提出了一種通過分層強化學習進行關係抽取的分層抽取正規化。該正規化將實體視為關係的集合，並將關係抽取任務分解為兩個子任務的層次結構：High-level 指示符檢測和 Low-level 實體抽取。
關係檢測的 High-level 策略識別句子中的多個關係，實體提取的 Low-level 策略啟動子任務以進一步提取每個關係的相關實體。這種方法擅長於建模兩個子任務之間的互動，尤其擅長於提取重疊關係。
實驗證明，該方法優於最先進的基線。目前，強化學習在 NLP 的應用較少，該工作為關係抽取任務帶來了啟發，事實證明，基於強化學習的關係抽取是可以成功的。