Klassifizierung von Beziehungen durch Rangfolge mit Faltungsneuronalen Netzen

Die Relationenklassifizierung ist eine wichtige semantische Aufgabe, bei der moderne Systeme immer noch auf kostspielige manuell erstellte Merkmale angewiesen sind. In dieser Arbeit adressieren wir die Relationenklassifizierung mit einem Faltungsneuronalen Netzwerk, das durch Rangfolgeklassifizierung (CR-CNN) arbeitet. Wir schlagen eine neue paarweise Rangfolgefunktion vor, die es erleichtert, den Einfluss künstlicher Klassen zu reduzieren. Wir führen Experimente mit dem SemEval-2010 Task 8 Datensatz durch, der für die Klassifizierung der Beziehung zwischen zwei Nominalen in einem Satz konzipiert wurde. Mit CR-CNN übertreffen wir den aktuellen Stand der Technik für diesen Datensatz und erreichen einen F1-Wert von 84,1 ohne die Verwendung kostspieliger manuell erstellter Merkmale. Zudem zeigen unsere experimentellen Ergebnisse, dass: (1) unser Ansatz effektiver ist als ein CNN gefolgt von einem Softmax-Klassifikator; (2) das Weglassen der Darstellung der künstlichen Klasse "Other" sowohl Präzision als auch Recall verbessert; und (3) die Verwendung nur von Wortvektoren als Eingabe-Merkmale ausreicht, um Stand-der-Techik-Ergebnisse zu erzielen, wenn man sich nur auf den Text zwischen den beiden Zielnominalen konzentriert.