La convolution de graphe sur des arbres de dépendance élagués améliore l'extraction des relations.

Les arbres de dépendance aident les modèles d'extraction de relations à capturer des relations à longue portée entre les mots. Cependant, les modèles existants basés sur la dépendance soit négligent des informations cruciales (par exemple, la négation) en taillant trop agressivement les arbres de dépendance, soit sont inefficaces sur le plan computationnel car il est difficile de paralléliser sur différentes structures d'arbre. Nous proposons une extension des réseaux de neurones convolutifs sur graphe spécifiquement conçue pour l'extraction de relations, qui permet de rassembler efficacement les informations sur des structures de dépendance arbitraires en parallèle. Pour intégrer les informations pertinentes tout en éliminant au maximum le contenu non pertinent, nous appliquons une nouvelle stratégie de taille aux arbres d'entrée en conservant uniquement les mots situés immédiatement autour du plus court chemin reliant deux entités entre lesquelles une relation pourrait exister. Le modèle résultant atteint des performances de pointe sur le jeu de données TACRED à grande échelle, surpassant les modèles neuronaux existants basés sur des séquences et des dépendances. Nous montrons également, grâce à une analyse détaillée, que ce modèle présente des forces complémentaires par rapport aux modèles de séquence, et que leur combinaison améliore encore davantage l'état de l'art.