Extraction de relations pilotée par les dépendances avec des réseaux de convolution de graphes attentifs

L'information syntaxique, en particulier les arbres de dépendance, est largement exploitée par les études existantes afin d'améliorer l'extraction de relations grâce à une meilleure guidance sémantique pour l'analyse des informations contextuelles associées aux entités données. Toutefois, la plupart des études actuelles souffrent du bruit présent dans les arbres de dépendance, notamment lorsqu'ils sont générés automatiquement ; par conséquent, une exploitation intensive des informations de dépendance peut entraîner des confusions dans la classification des relations, rendant indispensable une étape de suppression des éléments non pertinents. Dans cet article, nous proposons une approche pilotée par les dépendances pour l'extraction de relations basée sur des réseaux de convolution de graphes à mécanisme d'attention (A-GCN). Dans cette approche, un mécanisme d'attention est appliqué aux réseaux de convolution de graphes afin de distinguer l'importance respective des différents mots contextuels dans l'arbre de dépendance obtenu à partir d'un parseur de dépendance existant. Étant donné que les types de dépendance entre mots contiennent également des indications contextuelles importantes, potentiellement utiles pour l'extraction de relations, nous intégrons également ces informations de type dans le modèle A-GCN. Les résultats expérimentaux sur deux jeux de données de référence en anglais démontrent l'efficacité de notre A-GCN, qui surpassent les approches antérieures et atteignent un niveau d'art sur les deux jeux de données.