Zwei sind besser als einer: Gemeinsame Entität und Relationsextraktion mit Tabellen-Sequenzerkodierern

Die Erkennung benannter Entitäten und die Extraktion von Relationen sind zwei wichtige grundlegende Probleme. Es wurden gemeinsame Lernalgorithmen vorgeschlagen, um beide Aufgaben gleichzeitig zu lösen, wobei viele von ihnen die gemeinsame Aufgabe als Tabellenfüllproblem formulieren. Allerdings konzentrierten sie sich in der Regel auf das Lernen eines einzigen Encoders (in der Regel in Form einer Tabelle), um die für beide Aufgaben erforderlichen Informationen im selben Raum zu erfassen. Wir argumentieren, dass es vorteilhaft sein kann, zwei separate Encoders zu entwerfen, um diese beiden verschiedenen Informationsarten im Lernprozess zu erfassen. In dieser Arbeit schlagen wir die neuen {\em Tabellen-Sequenz-Encoders} vor, bei denen zwei verschiedene Encoders – ein Tabellenencoder und ein Sequenzencoder – entwickelt werden, um sich gegenseitig im Repräsentationslernprozess zu unterstützen. Unsere Experimente bestätigen die Vorteile zweier Encoders gegenüber einem einzelnen Encoder. Bei mehreren Standarddatensätzen zeigt unser Modell erhebliche Verbesserungen im Vergleich zu existierenden Ansätzen.