Extraction de faits relationnels orientée liste d'adjacence par apprentissage multi-tâches adaptatif

L'extraction de faits relationnels vise à extraire des triplets sémantiques à partir de textes non structurés. Dans ce travail, nous montrons que tous les modèles d'extraction de faits relationnels peuvent être organisés selon une perspective analytique orientée graphe. À partir de ce cadre analytique, nous proposons un modèle efficace, nommé aDjacency lIst oRiented rElational faCT (DIRECT). Pour atténuer les défis liés à la propagation d'erreurs et à l'équilibre des pertes des sous-tâches, DIRECT met en œuvre une nouvelle stratégie d'apprentissage multi-tâches adaptatif avec un équilibrage dynamique des pertes des sous-tâches. Des expériences étendues ont été menées sur deux jeux de données standard, et les résultats démontrent que le modèle proposé surpasse une série de modèles de pointe (SoTA) pour l'extraction de triplets relationnels.