Un réseau filtre de partition pour l'extraction conjointe d'entités et de relations

Dans l'extraction conjointe d'entités et de relations, les travaux existants encodent soit séquentiellement les caractéristiques spécifiques aux tâches, ce qui entraîne un déséquilibre dans les interactions inter-tâches, les caractéristiques extraites ultérieurement n'ayant pas de contact direct avec celles extraites en amont. Soit ils encodent les caractéristiques d'entité et celles de relation de manière parallèle, ce qui signifie que l'apprentissage des représentations de caractéristiques pour chaque tâche reste largement indépendant, hormis le partage d'entrée. Nous proposons un réseau de filtre par partition pour modéliser correctement les interactions bidirectionnelles entre les tâches, où l'encodage des caractéristiques est décomposé en deux étapes : partition et filtrage. Dans notre encodeur, nous utilisons deux portes : une porte d'entité et une porte de relation, afin de segmenter les neurones en deux partitions spécifiques aux tâches et une partition partagée. La partition partagée représente l'information inter-tâches utile aux deux tâches et est répartie de manière équilibrée entre les deux tâches afin d'assurer une interaction bidirectionnelle appropriée. Les partitions spécifiques aux tâches représentent, quant à elles, l'information intra-tâche et sont formées grâce à une collaboration coordonnée des deux portes, garantissant ainsi que l'encodage des caractéristiques spécifiques à chaque tâche dépend mutuellement. Les résultats expérimentaux sur six jeux de données publics montrent que notre modèle surpasse significativement les approches antérieures. En outre, contrairement à ce que prétendaient les travaux antérieurs, nos expériences auxiliaires suggèrent que la prédiction de relations contribue de manière non négligeable à la prédiction d'entités nommées. Le code source est disponible à l'adresse suivante : https://github.com/Coopercoppers/PFN.