CopyMTL: Kopiermechanismus für die gemeinsame Extraktion von Entitäten und Relationen mit mehrfachem Lernprozess

Die gemeinsame Extraktion von Entitäten und Relationen hat aufgrund ihres Potenzials, die Leistungsfähigkeit beider Aufgaben zu steigern, erhebliche Aufmerksamkeit erhalten. Unter den existierenden Methoden ist CopyRE effektiv und neuartig, da es ein sequenz-basiertes Framework und einen Kopiermechanismus verwendet, um Relationstripel direkt zu generieren. Allerdings leidet es an zwei schwerwiegenden Problemen. Das Modell ist extrem schwach darin, Kopf- und Schwanzentitäten zu unterscheiden, was zu ungenauer Entitätsextraktion führt. Es kann auch mehrteilige Entitäten (z.B. Steven Jobs) nicht vorhersagen. Um diese Probleme anzugehen, geben wir eine detaillierte Analyse der Gründe für das Problem der ungenauen Entitätsextraktion und schlagen dann eine einfache, aber äußerst effektive Modellstruktur vor, um dieses Problem zu lösen. Darüber hinaus schlagen wir ein Mehraufgaben-Lernframework vor, das mit einem Kopiermechanismus ausgestattet ist und als CopyMTL bezeichnet wird, um das Modell in der Vorhersage von mehrteiligen Entitäten zu ermöglichen. Experimente legen die Probleme von CopyRE offen und zeigen, dass unser Modell im Vergleich zur aktuellen Bestmethode in NYT um 9 % und in WebNLG um 16 % (F1-Wert) signifikante Verbesserungen erreicht. Unser Code ist unter https://github.com/WindChimeRan/CopyMTL verfügbar.