End-to-End Neural Relation Extraction mit globaler Optimierung

Neuronale Netze haben vielversprechende Ergebnisse bei der Relationsextraktion gezeigt. Moderne Ansätze formulieren die Aufgabe als End-to-End-Problem, das inkrementell mittels eines lokalen Klassifikators gelöst wird. Dennoch haben frühere Arbeiten mit statistischen Modellen gezeigt, dass eine globale Optimierung im Vergleich zur lokalen Klassifikation zu besseren Leistungen führen kann. Wir stellen ein global optimiertes neuronales Modell für die End-to-End-Relationsextraktion vor und schlagen hierbei neuartige LSTM-Features vor, um kontextuelle Repräsentationen effektiver zu lernen. Darüber hinaus präsentieren wir eine innovative Methode zur Integration syntaktischer Informationen, die das globale Lernen fördert, dabei jedoch nur geringe Vorkenntnisse über syntaktische Grammatiken erfordert und somit leicht erweiterbar ist. Experimentelle Ergebnisse zeigen, dass das vorgeschlagene Modell äußerst wirksam ist und auf zwei etablierten Benchmarks die besten Ergebnisse erzielt.