Adjazenzliste-orientierte relationale Faktenextraktion mittels adaptiver Multi-Task-Learning

Die extraktive Erfassung relationaler Fakten zielt darauf ab, semantische Tripel aus unstrukturiertem Text zu extrahieren. In dieser Arbeit zeigen wir, dass alle Modelle zur extraktiven Erfassung relationaler Fakten gemäß einer graphenorientierten analytischen Perspektive strukturiert werden können. Auf Basis dieses analytischen Rahmens wird ein effizientes Modell, das adjacency list oriented relational fact extraction (DIRECT)-Modell, vorgestellt. Um die Herausforderungen der Fehlerfortpflanzung und des Gleichgewichts zwischen Teil-Aufgaben zu mindern, setzt DIRECT eine neuartige adaptive Mehraufgaben-Lernstrategie mit dynamischer Gewichtung der Teil-Aufgabenverluste ein. Umfassende Experimente werden auf zwei Standard-Datensätzen durchgeführt, und die Ergebnisse belegen, dass das vorgeschlagene Modell eine Reihe von state-of-the-art (SoTA)-Modellen für die extraktive Erfassung relationaler Tripel übertrifft.