Neuronale Netzwerke vom Global-to-Local-Typ für die Dokumentebene-Relationsextraktion

Die Relationsextraktion (RE) zielt darauf ab, semantische Beziehungen zwischen benannten Entitäten in Texten zu identifizieren. In den letzten Jahren ist die Aufmerksamkeit zunehmend auf die Dokumentebene verlagert worden, was komplexe Schlussfolgerungen unter Berücksichtigung von Entitäten und deren Erwähnungen über das gesamte Dokument hinweg erfordert. In diesem Artikel stellen wir ein neuartiges Modell für die Dokumentebene-Relationsextraktion vor, das die Dokumentinformationen durch globale und lokale Entitätsrepräsentationen sowie durch Kontext-Relationenrepräsentationen kodiert. Die globalen Entitätsrepräsentationen modellieren die semantische Information aller Entitäten im Dokument, die lokalen Entitätsrepräsentationen fassen die kontextuelle Information mehrerer Erwähnungen spezifischer Entitäten zusammen, und die Kontext-Relationenrepräsentationen kodieren die thematischen Informationen anderer Relationen. Experimentelle Ergebnisse zeigen, dass unser Modell eine überlegene Leistung auf zwei öffentlichen Datensätzen für die Dokumentebene-Relationsextraktion erzielt. Insbesondere ist es besonders effektiv bei der Extraktion von Beziehungen zwischen weit voneinander entfernten Entitäten sowie solchen mit mehreren Erwähnungen.