通过数据增强改进深度循环神经网络的关系分类

如今，神经网络在关系分类任务中发挥着重要作用。通过设计不同的神经架构，研究人员在很大程度上提高了性能，相比传统方法有了显著提升。然而，现有的用于关系分类的神经网络通常具有浅层架构（例如，单层卷积神经网络或递归神经网络）。这些模型可能无法探索不同抽象层次的潜在表示空间。本文中，我们提出了一种深度递归神经网络（DRNNs）用于关系分类，以应对这一挑战。此外，我们还提出了一种利用关系方向性的数据增强方法。我们在SemEval-2010任务8上对所提出的DRNNs进行了评估，取得了86.1%的F1分数，优于之前记录的最佳结果。