现有的关系抽取方法大多是先识别所有实体然后再确定关系类型。但是这类方法并没有考虑到实体与关系之间的作用。本文应用分层强化学习框架来增强实体提及和关系类型之间的交互，将相关实体视为关系的集合。此外，该方法还解决了抽取重叠关系（Overlapping Relations）的问题。
研究动机
该研究主要解决的问题有两个：
1. 大部分现有的方法在实体被识别后才决策关系类型。这种方法存在两个弊端：一是并没有充分挖掘实体和关系之间的联系，而是把他们割裂作为两个子任务去处理；二是很多和关系无关的实体会带来噪声；
2. 关系抽取会存在重叠关系问题（也叫一对多问题）。在一句话中，一个实体可能会存在多个关系，或者一个实体对可能存在多种关系。目前已知只有 CopyR 方法研究了这个问题，但是本文作者实验证明了这种方法严重依赖数据，并且无法抽取多词语关系。 如图：
层次抽取框架
首先，文章定义了“关系指示符”（Relation Indicator）。 当在一句话中的某个位置有足够信息去识别语义关系时，我们把这个位置就叫做“关系指示符”。它可以是名词、动词、介词，或者是一些其他的符号比如逗号、时间等等。关系指示符在本结构中非常重要，因为整个的关系抽取任务可以分解为“关系指示符”和“关系中的实体抽取”。
整体来看，关系抽取过程如下：
一个 agent 在扫描句子时预测特定位置的关系类型。不同于识别实体对之间关系的关系分类，该过程不需要对实体进行标注。当在一个时间步中没有足够的信息来指示语义关系时，agent 可以选择 NR，这是一种指示没有关系的特殊关系类型。否则，触发一个关系指示符，agent 启动一个用于实体提取的子任务，以识别两个实体之间的关系。当实体被识别时，子任务完成，代理继续扫描句子的其余部分寻找其他关系。
这种过程可以被表述为半马尔可夫决策过程：1）检测句子中关系指示符的高级 RL 过程；2）识别对应关系的相关实体的低级 RL 过程。
通过将任务分解成两个 RL 过程的层次结构，该模型有利于处理对于同一实体对具有多种关系类型的句子，或者一个实体涉及多种关系的情况。过程如图：
下面分别介绍两个决策过程。
Relation Detection with High-level RL
High-level RL 的策略（policy）µ 旨在从句子中找到存在的关系，可以看做是带有 options 的 RL policy。option 指的是一旦 agent 执行了某个选项，就会启动低级别的 RL 策略。
Option：option 在集合 O = {NR} ∪ R 中选择，当 low-level RL 进入结束状态，agent 的控制将被 high-level 接管去执行下一个 option。
State：状态 S 由以下三者共同决定：当前的隐状态
，最后一个 option 的 relation type vector 
和上一个时间步的状态
。公式如下：
是非线性变换，
是由 Bi-LSTM 得到隐状态。
Policy：关系检测的策略，也就是 option 的概率分布，如下，其中 W 是权重：
Reward：环境提供给 Agent 的一个可量化的标量反馈信号，也就是 reward。reward 计算方法如下：
最后，用一个最终的 reward 来评价句子级别的抽取效果：
Entity Extraction with Low-level RL
当 High-level RL policy 预测了一个非 NR 的relation，Low-level RL 会抽取 relation 中的实体。High-level RL 的 option 会作为 Low-level RL 的额外输入。
Action：action 会给当期的词分配一个 tag，tag 包括 A=({S,T,O}×{B,I})∪{N}。其中，S 是参与的源实体，T 是目标实体，O 是和关系无关的实体，N 是非实体单词，B 和 I 表示一个实体的开始和结束。可参看下图：
State：类似 High-level RL 中的关系检测，High-level 中的状态计算方法如下：
是当前单词的隐状态，同样也是经过 Bi-LSTM 计算得到，Vet 是可学习的实体标签向量，
是上一阶段的状态（注意，既可以是 High-level 的状态，也可以是 Low-level 的状态）。g 和 f 都是多层感知机。
Policy：由句子到实体的概率计算如下：
Reward：给定一个关系类型，通过 policy 可以很容易得到实体标签。我们需要用 reward 来衡量预测的标签是否准确：
其中，λ(y) 用来降低 non-entity tag 的权重。
Hierarchical Policy Learning
在优化 High-level policy 时，我们需要最大化预期累积回报，如下：
γ 是 RL 中的折扣因子。在结束前，整个采样过程需要 T 个时间步长。
同样的，在优化 Low-level policy 时，我们也需要最大化累计回报，公式如下：
把累计回报分解成 Bellman 方程，得到：
当实体提取策略根据选项 ot 运行时，子任务持续的时间步数是 N。当 option 是 NR 是，N=1。
可以一同优化 High-level 和 Low-level 两段策略，High-level 的梯度是：
Low-level 的梯度是：
整个训练过程如下：
实验
数据集：通过远程监督得到的数据：NYT10 和 NYT11。
参数设置：预训练词向量使用 300 维的 GloVe 词向量，Relation Type Vectors 和 Entity Tag Vectors 是随机初始化的，学习率：4e − 5，mini-batch size：16，α = 0.1，β = 0.9，discount factor γ = 0.95。
评价方法：采用 micro-F1 评价方法，如果关系类型和两个对应的实体都正确，则认为三元组是正确的。
Baselines：作为对比的 baseline 方法有：FCM、MultiR、CoType、SPTree、Tagging 和 CopyR。
实验结果
Split：输入为 c×h×w 的特征图，
和
均表示 Group Convolution。这里使用 Group Convolution 以减少计算量。注意，这里两路 Group Convolution 使用的卷积核大小不一致，原因在于 Motivation 中说的第一点，提升精度。
▲ 关系抽取
▲ 重叠关系抽取
▲ 关系检测总结
在本文中，作者提出了一种通过分层强化学习进行关系抽取的分层抽取范式。该范式将实体视为关系的集合，并将关系抽取任务分解为两个子任务的层次结构：High-level 指示符检测和 Low-level 实体抽取。
关系检测的 High-level 策略识别句子中的多个关系，实体提取的 Low-level 策略启动子任务以进一步提取每个关系的相关实体。这种方法擅长于建模两个子任务之间的交互，尤其擅长于提取重叠关系。
实验证明，该方法优于最先进的基线。目前，强化学习在 NLP 的应用较少，该工作为关系抽取任务带来了启发，事实证明，基于强化学习的关系抽取是可以成功的。
