Darstellungsinvariante Fusion basierend auf einem heterogenen Graph Neural Network für die gemeinsame Entität- und Relationsextraktion

Die gemeinsame Extraktion von Entitäten und Relationen ist eine zentrale Aufgabe im Bereich der Informationsextraktion, die darauf abzielt, alle relationalen Tripel aus unstrukturiertem Text zu extrahieren. Allerdings berücksichtigen bisher wenige existierende Ansätze mögliche relationale Informationen zwischen Entitäten vor deren Extraktion, was dazu führen kann, dass die meisten extrahierten Entitäten keine gültigen Tripel bilden können. In diesem Artikel stellen wir RIFRE (Representation Iterative Fusion based on Heterogeneous Graph Neural Networks for Relation Extraction) vor. Wir modellieren Relationen und Wörter als Knoten in einem Graphen und fügen die beiden Arten semantischer Knoten iterativ mittels eines Nachrichtenaustauschmechanismus zusammen, um Knotendarstellungen zu erzeugen, die besser für Aufgaben der Relationsextraktion geeignet sind. Nach der Aktualisierung der Knotendarstellungen führt das Modell die Relationsextraktion durch. Wir evaluieren RIFRE an zwei öffentlichen Datensätzen zur Relationsextraktion: NYT und WebNLG. Die Ergebnisse zeigen, dass RIFRE die effektive Extraktion von Tripeln ermöglicht und eine state-of-the-art-Leistung erzielt. Darüber hinaus ist RIFRE auch für die Aufgabe der Relationsklassifikation geeignet und übertrifft die vorherigen Methoden erheblich auf dem SemEval 2010 Task 8-Datensatz.