这是一项关于实体关系的联合提取的工作。关于现有的联合提取工作，作者提出了两个缺点：FeatureConfusiong：用于同一特征表示来执行NER和RE（关系分类）任务，这可能会导致对模型学习的误解；现有的基于Table-Filling方法完成联合提取工作的方法会将表结构转换为序列结构，从而导致重要结构信息的丢失。因此，本文的工作具有以下特点：对于NER和RE，分别学习了不同的序列表示形式和表表示形式。这两种表示形式可以分别捕获与任务相关的信息，并且作者还涉及一种机制，使它们彼此交互；维护表的结构，并通过神经网络结构捕获二维表中的结构信息；同时，在BERT中引入注意力权重以学习表中的元素表示。该模型的核心部分包括以下模块：TextEmbedding：对于包含n个单词的输入句子，其单词矢量，字符矢量和BERT单词矢量共同构成每个单词的表示形式。 TableEncoder：目标是学习N×N表下的矢量表示。表的第i行和第j列中的向量表示形式对应于句子中的第i和第j个单词，如图1所示。在本文中，MD-RNN（多维RNN）基于GRU结构的）用作TextEncoder。更新表中当前单元格的信息时，通过MDRNN合并上，下，左，右四个方向的信息，从而利用表的结构特征；同时，与SequenceEncoder下单元对应的两个单词的当前表达式使TableEncoder和SequenceEncoder之间能够交换信息。 SequenceEncoder：SequenceEncoder的结构与Transformer相似，但区别在于Transformer中的scaleddot-productattention被本文中提出的表所代替。 -指导下的注意。具体来说，将Transformer中Q和K之间的分数计算过程直接替换为表中两个单词对应的向量：由于T_ij在四个方向上组合了信息，因此可以更全面地捕获上下文信息和单词与单词的关系还可以在TableEncoder和SequenceEncoder之间进行双向信息交换。 ExploitPre-trainedAttentionWeights：TextEmbeddings部分对于BERT很有用，因此将BERT每一层上多头注意的每个头上的注意权重堆叠起来以获得张量Tl∈RN×N×（Ll×Al）T ^ {l} inmathbb {R} ^ {NimesNimes（L ^ limesA ^ l）} T和TextEmbedding中每个单词的表示构成了Table的初始输入：作者通过对不同数据集的实验证明了该模型的有效性，并且进行消融实验。相关分析。