Relation Classification mit Entitätstyp-Beschränkung

Die Relationserkennung zielt darauf ab, eine Beziehung zwischen zwei Entitäten in einem Satz vorherzusagen. Die bestehenden Methoden betrachten alle Relationen als mögliche Kandidaten für die beiden Entitäten innerhalb eines Satzes. Diese Ansätze vernachlässigen jedoch die Einschränkungen, die durch die Entitätstypen auf die möglichen Relationen ausgeübt werden, was dazu führt, dass unangemessene Relationen als Kandidaten betrachtet werden. In diesem Paper stellen wir ein neuartiges Paradigma vor, RElation Classification with ENtity Type restriction (RECENT), das Entitätstypen nutzt, um die Menge der möglichen Relationen zu beschränken. Insbesondere werden die wechselseitigen Einschränkungen zwischen Relationen und Entitätstypen formalisiert und in die Relationserkennung integriert. Darüber hinaus ist das vorgeschlagene Paradigma RECENT modellunabhängig. Auf Basis zweier repräsentativer Modelle, GCN und SpanBERT, werden die Modelle RECENT_GCN und RECENT_SpanBERT im Rahmen von RECENT trainiert. Experimentelle Ergebnisse auf einem Standarddatensatz zeigen, dass RECENT die Leistung von GCN und SpanBERT jeweils um 6,9 bzw. 4,4 F1-Punkte verbessert. Insbesondere erreicht RECENT_SpanBERT eine neue State-of-the-Art-Leistung auf TACRED.