Sequenzgenerierung mit Label-Augmentation für die Relationsextraktion

Die Sequenzgenerierung zeigt in jüngsten Bemühungen zur Informationsextraktion vielversprechende Leistungen, insbesondere durch die Integration großskaliger vortrainierter Seq2Seq-Modelle. Diese Arbeit untersucht die Vorzüge der Anwendung von Sequenzgenerierung bei der Relationsextraktion und stellt fest, dass die textuellen Semantiken sowie die Korrelationen (in Bezug auf Wortfolgenmuster) zwischen den Relationen den Modellperformanz erheblich beeinflussen, wenn Relationennamen oder Synonyme als Generationsziele dienen. Darauf aufbauend stellen wir RELA (Relation Extraction with Label Augmentation) vor, ein Seq2Seq-Modell mit automatischer Label-Augmentation für die Relationsextraktion. Unter „Label-Augmentation“ verstehen wir die automatische Generierung semantisch äquivalenter Synonyme für jede Relation und deren Verwendung als Generationsziele. Zudem führen wir eine detaillierte Analyse des Verhaltens von Seq2Seq-Modellen bei der Behandlung der Relationsextraktion durch. Experimentelle Ergebnisse zeigen, dass RELA im Vergleich zu früheren Methoden auf vier verschiedenen RE-Datensätzen konkurrenzfähige Ergebnisse erzielt.