本文准确来说，创新点基本没有，如果说，那就是比其他paper更多的参数。采用2-D的矩阵来进行word和sentence表示，希望能捕获更多的语义信息。
优点:
(1)在关系抽取中首次提出2Dquery vector，并赋予了其实际意义对2D query vector矩阵的约束个人感觉也是一个小亮点.
(2)写作思路上清晰无比，实验上紧扣主题，全文都在强调2D，2D，2D。感觉读下好像被洗脑了一样.
（3）将其他领域的方法较好的借鉴了过来，说明要多阅读各个方面的文章。
缺点:
缺少创新性，因为方法确实和其他领域的一篇文章太像了.
模型结构：
对于一个entity-pair的bag的句子，一共有J个。每个句子由N个word组成
经过BLSTM的输出，H的维度为N*2u，u为LSTM的隐藏单元个数：
之后就是word-attention：
惩罚项： 
sentence-level的attention:
实验：
证明，参数数量越多确实能提高指标...