神经关系抽取：句内与跨句边界

以往的关系抽取研究主要集中在单个句子内实体对之间的二元关系。近年来，自然语言处理（NLP）领域对跨越多个句子的实体对关系抽取产生了浓厚兴趣。在本文中，我们提出了一种新的架构来解决这一任务：跨句依赖神经网络（iDepNN）。iDepNN通过递归神经网络和循环神经网络建模最短和扩展的依赖路径，以提取句内（intra-）和句间（inter-）边界的关系。与支持向量机（SVM）和神经网络基线相比，iDepNN在处理跨越句子的关系时对假阳性具有更强的鲁棒性。我们在四个来自新闻专线（MUC6）和医学（BioNLP共享任务）领域的数据集上评估了我们的模型，这些模型达到了当前最佳性能，并在跨句关系的精确率和召回率之间表现出更好的平衡。我们在2016年BioNLP共享任务中超过了11支参赛队伍，并在F1分数上比获胜团队提高了5.2%（0.587对比0.558）。此外，我们还发布了MUC6的跨句注释。