Abhängigkeitsgesteuerte Relationserkennung mit aufmerksamen Graph-Convolutional Networks

Syntaxinformation, insbesondere Abhängigkeitsbäume, wird von bestehenden Studien weitgehend genutzt, um die Relationsextraktion durch verbesserte semantische Anleitungen zur Analyse des Kontextes im Zusammenhang mit gegebenen Entitäten zu verbessern. Allerdings leiden die meisten bestehenden Ansätze unter Rauschen in den Abhängigkeitsbäumen, insbesondere wenn diese automatisch generiert wurden, weshalb eine intensive Nutzung der Abhängigkeitsinformationen Verwirrungen bei der Relationsklassifizierung verursachen kann. Eine notwendige Filterung (Pruning) ist daher von großer Bedeutung für diese Aufgabe. In diesem Paper stellen wir einen abhängigkeitsgesteuerten Ansatz zur Relationsextraktion mit aufmerksamkeitsbasierten Graph-Convolutional Networks (A-GCN) vor. In diesem Ansatz wird eine Aufmerksamkeitsmechanik auf Graph-Convolutional Networks angewandt, um unterschiedliche kontextuelle Wörter im aus einem kommerziellen Abhängigkeitsparser gewonnenen Abhängigkeitsbaum nach ihrer Bedeutung zu unterscheiden. Da auch die Abhängigkeitstypen zwischen Wörtern wichtige kontextuelle Hinweise enthalten, die potenziell zur Relationsextraktion beitragen können, integrieren wir zudem die Typinformation in das A-GCN-Modell. Experimentelle Ergebnisse auf zwei englischen Benchmark-Datensätzen belegen die Wirksamkeit unseres A-GCN-Ansatzes, der die bisherigen Studien übertrifft und auf beiden Datensätzen eine state-of-the-art-Leistung erzielt.