D-REX: Dialogrelationsextraktion mit Erklärungen

Bestehende Forschungsarbeiten zur Cross-Satz-Relationsextraktion in langen, mehrparteien-gesteuerten Konversationen zielen darauf ab, die Relationsextraktion zu verbessern, ohne dabei die Erklärbarkeit solcher Methoden zu berücksichtigen. Diese Arbeit schließt diese Lücke, indem sie sich auf die Extraktion von Erklärungen konzentriert, die die Existenz einer Relation belegen, wobei nur teilweise beschriftete Daten verwendet werden. Wir schlagen unser modellunabhängiges Framework D-REX vor, einen policy-gesteuerten semi-supervisierten Algorithmus, der Relationen erklärt und bewertet. Wir formulieren die Relationsextraktion als eine Re-Ranking-Aufgabe und integrieren relationsspezifische und entitätsspezifische Erklärungen als Zwischenschritt des Inferenzprozesses. Unsere Untersuchungen zeigen, dass menschliche Annotatoren in etwa 90 % der Fälle D-REX-Erklärungen den Erklärungen eines leistungsfähigen BERT-basierten Joint-Relationsextraktions- und -Erklärungsmodells vorziehen. Schließlich weisen unsere Bewertungen anhand eines Datensatzes zur Dialogrelationsextraktion nach, dass unsere Methode einfach und dennoch effektiv ist und einen Stand-of-the-Art-F1-Wert bei der Relationsextraktion erzielt, bestehende Methoden um 13,5 % überbietend.