GDPNet : Affinement du graphe latent multi-vue pour l'extraction de relations

L'extraction de relations (RE) consiste à prédire le type de relation entre deux entités mentionnées dans un texte, par exemple une phrase ou un dialogue. Lorsque le texte donné est long, il est difficile d'identifier les mots indicatifs pour la prédiction de la relation. Les récentes avancées en matière de tâche RE proviennent des modèles de séquence basés sur BERT et des modèles graphiques représentant les relations entre les jetons dans la séquence. Dans cet article, nous proposons de construire un graphe latent multi-vue pour capturer diverses relations possibles entre les jetons. Nous affinons ensuite ce graphe afin de sélectionner les mots importants pour la prédiction de la relation. Enfin, la représentation du graphe affiné et la représentation de séquence basée sur BERT sont concaténées pour l'extraction de relations. Plus précisément, dans notre réseau proposé GDPNet (Gaussian Dynamic Time Warping Pooling Net), nous utilisons le Générateur de Graphe Gaussien (GGG) pour générer les arêtes du graphe multi-vue. Le graphe est ensuite affiné par le regroupement dynamique d'alignement temporel (Dynamic Time Warping Pooling - DTWPool). Sur DialogRE et TACRED, nous montrons que GDPNet atteint les meilleures performances en RE au niveau du dialogue et des performances comparables aux états de l'art en RE au niveau de la phrase.