Ausnutzung einstelliger Relationen mit gestapeltem Lernen für die Relationsextraktion

Relationsextraktionsmodelle stellen typischerweise das Problem der Bestimmung, ob zwischen einem Paar von Entitäten eine Relation besteht, als eine einzige Entscheidung dar. Diese Modelle können jedoch Schwierigkeiten bei langen oder komplexen sprachlichen Konstruktionen haben, bei denen zwei Entitäten nicht direkt verbunden sind – eine Situation, die in wissenschaftlichen Publikationen häufig vorkommt. Wir schlagen einen neuen Ansatz vor, der eine binäre Relation in zwei einstellige Relationen zerlegt, die jeweils die Rolle eines Arguments innerhalb der Relation getrennt erfassen. Wir entwickeln ein gestapeltes Lernmodell, das Informationen sowohl aus einstelliger als auch aus binärer Relationsextraktion nutzt, um zu entscheiden, ob zwischen zwei Entitäten eine Relation besteht. Experimentelle Ergebnisse zeigen, dass dieser Ansatz mehrere konkurrierende Relationsextraktionsmodelle sowohl auf einer neuen Korpus wissenschaftlicher Publikationen aus dem Bereich der Planetenwissenschaften als auch auf einem etablierten Benchmark-Datensatz aus dem Biologiebereich übertrifft.