GDPNet: Verfeinern des latenten Multi-View-Graphen für die Relationsextraktion

Relationsextraktion (RE) bezieht sich auf die Vorhersage des Relationstyps zwischen zwei Entitäten, die in einem Textabschnitt, z.B. einem Satz oder einer Dialogsequenz, erwähnt werden. Bei langen Texten stellt die Identifizierung von Indikatorwörtern für die Relationsextraktion eine Herausforderung dar. Neueste Fortschritte bei der RE-Aufgabe stammen aus BERT-basierten Sequenzmodellen und graphbasierten Modellen der Beziehungen zwischen den Token in der Sequenz. In dieser Arbeit schlagen wir vor, einen latenten Multi-View-Graphen zu konstruieren, um verschiedene mögliche Beziehungen zwischen den Token zu erfassen. Anschließend verfeinern wir diesen Graphen, um wichtige Wörter für die Relationsextraktion auszuwählen. Schließlich werden die Darstellungen des verfeinerten Graphen und des BERT-basierten Sequenzmodells verkettet, um die Relation zu extrahieren. Insbesondere nutzen wir in unserem vorgeschlagenen GDPNet (Gaussian Dynamic Time Warping Pooling Net) den Gaußschen Graphengenerator (GGG) zur Erzeugung der Kanten des Multi-View-Graphen. Der Graph wird dann durch dynamisches Time-Warping-Pooling (DTWPool) verfeinert. Auf DialogRE und TACRED zeigen wir, dass GDPNet die beste Leistung bei dialogbasierten RE erzielt und vergleichbare Ergebnisse mit dem Stand der Technik bei satzbasierten RE liefert.