摘要
最近远程监督关系抽取的NRE模型都是针对每个分包bag，通过学习句子的重要性权重来减轻不相关句子的影响。
目前为止，努力的重点是提高抽取的准确性，但对模型的解释性知之甚少。本文标注了一个带有基本事实句子级解释的测试集，以评估关系提取模型提供的可解释性。
实验证明，用细粒度实体类型（entity type）替换句子中的实体不仅提高了提取的准确性，而且改善了可解释性。
本文还提出**自动生成“干扰”句子，对bag数据增强，并训练模型忽略这些“干扰”句子。
在FB-NYT数据集上，本文取得了SOTA性能，同时提高了模型可解释性。
引言
远程监督关系抽取降噪研究：
- 基于attention的模型
- 利用附加资源（additional resources）的模型
- 利用监督数据的模型
现有方法，关注于提高模型的准确率（accuracy），而对于模型是因为正确的推理还是某些不相关的偏置/偏见而正确分类知之甚少。
Baseline Models
DirectSup
给定一个分包bag，DirectSup使用具有不同过滤器大小的CNN对每个句子进行编码。
连接具有不同滤波器大小的CNN的输出，以产生句子的编码。
