Ein Trigger-Sense-Gedächtnis-Fluss-Rahmenwerk für die gemeinsame Entitäten- und Relationsextraktion

Framework zur gemeinsamen Entität- und Relationsextraktion entwickelt ein einheitliches Modell, das Entitäten und Relationen gleichzeitig erkennt, wodurch die Abhängigkeit zwischen den beiden Aufgaben genutzt werden kann, um das Fehlerfortpflanzungsproblem zu verringern, das bei pipeline-basierten Ansätzen auftritt. Aktuelle Forschungsansätze zur gemeinsamen Entität- und Relationsextraktion konzentrieren sich darauf, die Wechselwirkung zwischen Entitäten- und Relationserkennung durch Parameter-Shared, gemeinsame Decodierung oder andere ad-hoc-Techniken (z. B. Modellierung als semi-Markov-Entscheidungsprozess oder Umformulierung als mehrstufige Leseverständnisaufgabe) zu verstärken. Dennoch bestehen zwei offene Probleme. Erstens bleibt die durch die meisten Methoden genutzte Wechselwirkung schwach und einseitig, sodass die wechselseitige Abhängigkeit beider Aufgaben nicht adäquat modelliert werden kann. Zweitens werden Relationstrigger von den meisten Ansätzen ignoriert, obwohl sie erklären könnten, warum Menschen eine bestimmte Relation in einem Satz extrahieren. Diese Trigger sind für die Relationsextraktion entscheidend, werden jedoch häufig übersehen. Um diesem Problem zu begegnen, stellen wir einen Trigger-Sense Memory Flow Framework (TriMF) für die gemeinsame Entität- und Relationsextraktion vor. Wir implementieren ein Gedächtnismodul, das Kategoriedarstellungen speichert, die in den Aufgaben der Entitäten- und Relationserkennung gelernt wurden. Auf Basis dieses Moduls entwerfen wir eine mehrstufige Memory-Flow-Attention-Mechanismus, um die bidirektionale Wechselwirkung zwischen Entitäten- und Relationserkennung zu stärken. Darüber hinaus kann unser Modell ohne jegliche menschliche Annotation durch ein Trigger-Sensor-Modul automatisch Informationen zu Relationstriggern in einem Satz verbessern, was die Modellleistung steigert und die Interpretierbarkeit der Vorhersagen erhöht. Experimentelle Ergebnisse zeigen, dass unser vorgeschlagenes Framework auf den Benchmarks SciERC, ACE05, CoNLL04 und ADE die derzeit beste Leistung erzielt: Die Relation-F1-Werte verbessern sich um 3,2 % auf 52,44 % (SciERC), um 4,9 % auf 66,49 % (ACE05), um 0,6 % auf 72,35 % (CoNLL04) und um 2,3 % auf 80,66 % (ADE).