CopyMTL: آلية النسخ لاستخراج الكيانات والعلاقات بشكل مشترك باستخدام التعلم متعدد المهام

تلقى استخراج الكيانات والعلاقات بشكل مشترك اهتمامًا كبيرًا بسبب إمكانية تحسين أدائه لكلتا المهمتين. من بين الأساليب الحالية، يعتبر CopyRE فعالًا ومبتكرًا، حيث يستخدم إطار عمل التحويل من تسلسل إلى تسلسل وآلية النسخ لتكوين الثلاثيات العلائقية مباشرة. ومع ذلك، يعاني هذا النموذج من مشكلتين حاسمتين. فهو ضعيف للغاية في تمييز الكيان الرئيسي (الرأس) والكيان الثانوي (الذيل)، مما يؤدي إلى استخراج كيانات غير دقيقة. كما أنه لا يستطيع التنبؤ بالكيانات متعددة الكلمات (مثل ستيف جوبز). لحل هذه المشكلات، نقدم تحليلًا مفصلًا لأسباب عدم دقة استخراج الكيانات، ثم نقترح بنية نموذج بسيطة ولكنها فعالة للغاية لحل هذه المشكلة. بالإضافة إلى ذلك، نقترح إطار تعلم متعدد المهام مجهز بآلية النسخ، يُطلق عليه اسم CopyMTL، للسماح للنموذج بالتنبؤ بالكيانات متعددة الكلمات. أظهرت التجارب المشكلات التي تعاني منها CopyRE وأثبتت أن نموذجنا حقق تحسنًا كبيرًا على الطريقة الأكثر تقدمًا حاليًا بنسبة 9% في مجموعة بيانات NYT و16% في مجموعة بيانات WebNLG (مقياس F1). يمكن الحصول على شفرتنا البرمجية من الرابط: https://github.com/WindChimeRan/CopyMTL