Extraction de faits relationnels par un modèle neuronal end-to-end avec mécanisme de copie

Les faits relationnels présents dans les phrases sont souvent complexes. Différents triplets relationnels peuvent présenter des chevauchements au sein d'une même phrase. Nous avons divisé les phrases en trois catégories selon le degré de chevauchement des triplets : Normal, EntityPairOverlap et SingleEntityOverlap. Les méthodes existantes se concentrent principalement sur la catégorie Normal et échouent à extraire précisément les triplets relationnels. Dans cet article, nous proposons un modèle end-to-end basé sur l'apprentissage séquence-à-séquence avec un mécanisme de copie, capable d'extraire conjointement les faits relationnels à partir de phrases appartenant à l'une quelconque de ces catégories. Nous avons adopté deux stratégies différentes lors du processus de décodage : utiliser un seul décodeur unique ou appliquer plusieurs décodeurs séparés. Nous avons évalué nos modèles sur deux jeux de données publics, et nos résultats montrent une performance significativement supérieure par rapport à la méthode de référence.