Ein end-to-end Modell zur entitätsbasierten Relationsextraktion unter Verwendung von Multi-instance-Learning

Wir präsentieren ein gemeinsames Modell zur relationellen Extraktion auf Entitäts-Ebene aus Dokumenten. Im Gegensatz zu anderen Ansätzen, die sich auf lokale, innerhalb von Sätzen liegende Erwähnungspaare konzentrieren und daher Annotationen auf Erwähnungsebene erfordern, arbeitet unser Modell auf Entitätsebene. Dazu wird ein Multi-Task-Ansatz verfolgt, der auf der Kernreferenzauflösung basiert und relevante Signale mittels Multi-Instance-Lernens mit mehrstufigen Darstellungen sammelt, die globale Entitäts- und lokale Erwähnungsinformationen kombinieren. Wir erreichen state-of-the-art Ergebnisse bei der relationellen Extraktion auf dem DocRED-Datensatz und melden die ersten end-to-end-Resultate auf Entitätsebene für zukünftige Referenzen. Schließlich deuten unsere experimentellen Ergebnisse darauf hin, dass ein gemeinsamer Ansatz dem task-spezifischen Lernen in Bezug auf Leistung gleichkommt, jedoch aufgrund geteilter Parameter und Trainings-Schritte effizienter ist.