Aufmerksamkeitsgesteuerte Graphenkonvolutionalnetze für Relationsextraktion

Abhängigkeitsbäume vermitteln reichhaltige strukturelle Informationen, die sich als nützlich für die Extraktion von Beziehungen zwischen Entitäten in Texten erwiesen haben. Allerdings bleibt es eine herausfordernde Forschungsfrage, wie man effektiv relevante Informationen aus den Abhängigkeitsbäumen nutzt und gleichzeitig irrelevante Informationen ignoriert. Bestehende Ansätze, die regelbasierte harte Pruning-Strategien zur Auswahl relevanter partieller Abhängigkeitsstrukturen verwenden, erzielen nicht immer optimale Ergebnisse. In dieser Arbeit schlagen wir Attention Guided Graph Convolutional Networks (AGGCNs) vor, ein neues Modell, das vollständige Abhängigkeitsbäume direkt als Eingabe verwendet. Unser Modell kann als eine sanfte Pruning-Methode verstanden werden, die automatisch lernt, wie es selektiv auf die für die Beziehungsextraktion nützlichen Unterstrukturen achtet. Ausführliche Ergebnisse bei verschiedenen Aufgaben, einschließlich der Extraktion von über-Satz-grenzenden n-ären Beziehungen und der großmaßstäblichen Satzebene-Beziehungsextraktion, zeigen, dass unser Modell besser in der Lage ist, die strukturellen Informationen der vollständigen Abhängigkeitsbäume zu nutzen und damit deutlich bessere Ergebnisse als frühere Ansätze erzielt.