Ein hierarchisches Framework für die Relationsextraktion mit Verstärkungslernen

Die meisten bestehenden Methoden bestimmen die Relationstypen erst nachdem alle Entitäten erkannt wurden, sodass die Interaktion zwischen Relationstypen und Entitätserwähnungen nicht vollständig modelliert wird. In dieser Arbeit wird ein neues Paradigma vorgestellt, das die Extraktion von Relationen durch Betrachtung der zugehörigen Entitäten als Argumente einer Relation behandelt. Wir wenden in diesem Paradigma ein hierarchisches Reinforcement-Learning-Framework (HRL) an, um die Interaktion zwischen Entitätserwähnungen und Relationstypen zu verbessern. Der gesamte Extraktionsprozess wird in eine Hierarchie aus zweistufigen RL-Policys für die Erkennung von Relationen und die Extraktion von Entitäten aufgeteilt, sodass es natürlicher und praktikabler ist, überlappende Relationen zu verarbeiten. Unser Modell wurde anhand öffentlicher Datensätze evaluiert, die durch distante Überwachung gesammelt wurden, und die Ergebnisse zeigen, dass es bessere Leistungen als existierende Methoden erzielt und stärker geeignet ist, überlappende Relationen zu extrahieren.