End-to-End neuronale Relationsextraktion mit tiefem biaffinen Aufmerksamkeit

Wir schlagen ein neuronales Netzwerkmodell vor, das die gemeinsame Extraktion von benannten Entitäten und den zwischen ihnen bestehenden Beziehungen ohne manuell erstellte Merkmale ermöglicht. Der wesentliche Beitrag unseres Modells besteht darin, ein auf BiLSTM-CRF basierendes Entitätserkennungsmodell durch eine tiefe biaffine Aufmerksamkeitsschicht zu erweitern, um zweitordnungsinteraktionen zwischen latenten Merkmalen für die Beziehungsklassifizierung zu modellieren, wobei insbesondere die Rolle einer Entität in einer gerichteten Beziehung berücksichtigt wird. Die experimentellen Ergebnisse auf dem Benchmark-Datensatz CoNLL04 zeigen, dass unser Modell frühere Modelle übertrifft und neue Standarte-Leistungen (state-of-the-art performances) erzielt.