要約
関係分類は、自然言語処理（NLP）の重要な研究領域である。本論文では、2つのエンティティ間の関係を分類する新しいニューラルネットワークであるSDP-LSTMを提案する。当該ニューラルアーキテクチャは、2つのエンティティ間の最短依存パス（SDP）を利用し、多チャンネル再帰型ニューラルネットワーク（RNN）と長短期記憶（LSTM）ユニットを使用して、SDPに沿った異種情報を取り込む。提案モデルには以下の特徴がある：(1) 最短依存パスは関係分類に関連する最も重要な情報を保持しながら、文内の無関係な単語を排除する。(2) 多チャンネルLSTMネットワークは、依存パス上の異なる情報源からの情報を効果的に統合できる。(3) カスタマイズされたドロップアウト戦略により、ニューラルネットワークが過学習を緩和されるように正規化される。当モデルをSemEval 2010の関係分類タスクで評価した結果、$F_1$値83.7%を達成し、文献に報告されている競合手法よりも高い性能を示した。