下圖清晰了顯示了PCNN的整個網絡架構，PCNN的實現過程：

數據預處理：首先對數據進行位置編碼，按句子中各個詞離entity的距離進行編碼。

例如：“As we known，Steve Jobs?was the co-founder of?Apple Inc?which is a great company in America.”
由于句子中有兩個entity，所以這條句子就會產生兩個和句子長度相同的編碼。
pos_1:[-4,-3,-2,-1,0,1,2,3......] ,其中0就是Steve Jobs的位置。
pos_2:[-9,-8,-7,-6,-5,-4,-3,-2,-1,0,1,2,3......]?其中0就是Apple Inc的位置。

切分句子：其中最主要的就是將一條文本數據在兩個entity處各切一刀將文本且成了3段。（注意，位置向量也同樣進行了切分操作）

比如?As we known，Steve Jobs?was the co-founder of?Apple Inc?which is a great company in America，將被切成：

As we known，Steve Jobs

Steve Jobs?was the co-founder of?Apple Inc

Apple Inc?which is a great company in America.

特征提取：將位置特征和文本特征拼接之后，然后將上面三個數據分別通過CNN?提取特征

關系分類：提取出來的特征通過maxpooling層之后進行拼接后送入softmax層，最終得到relation的分類。

??從上面PCNN的流程可以發現，這個網絡結構很注重entitiy之間的距離信息，位置信息，以及entitiy之間或者左右的信息。其實這些都是是關系抽取中最重要的特征。

?一般來說兩個entitiy之間距離越近，則他們有關系的可能性越大。

??而透露出entities之間有關系的詞一般會出現在兩個entity之間，左側，或者右側。

例如：Steve Jobs?was the?co-founder?of?Apple Inc?， 關系詞?co-founder就在兩個entity之間

總結

以上是生活随笔為你收集整理的关系抽取之PCNN（Piece-Wise-CNN）的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。