Verbesserte Beziehungsklassifizierung durch tiefe rekurrente Neuronale Netze mit Datenverstärkung

Heutzutage spielen neuronale Netze eine wichtige Rolle bei der Aufgabe der Beziehungsklassifizierung. Durch die Entwicklung verschiedener neuronalen Architekturen haben Forscher die Leistung erheblich verbessert im Vergleich zu traditionellen Methoden. Dennoch sind bestehende neuronale Netze für die Beziehungsklassifizierung in der Regel flache Architekturen (z.B. einlagige Faltungsneuronale Netze oder rekurrente Netze). Sie können möglicherweise nicht den potentiellen Repräsentationsraum auf verschiedenen Abstraktionsniveaus ausloten. In dieser Arbeit schlagen wir tiefere rekurrente Neuronale Netze (DRNNs) für die Beziehungsklassifizierung vor, um dieser Herausforderung zu begegnen. Darüber hinaus schlagen wir eine Datenverstärkungsmethode vor, die die Richtung von Beziehungen nutzt. Wir haben unsere DRNNs auf der SemEval-2010 Task~8 evaluiert und erreichen einen F1-Score von 86,1 %, was den bisherigen Stand der Technik übertreffen lässt.