文内および文間のニューラル関係抽出

過去の関係抽出に関する研究は、主に単一の文内のエンティティペア間の二項関係に焦点を当ててきた。最近では、自然言語処理（NLP）コミュニティが複数の文にまたがるエンティティペア間の関係抽出に関心を寄せている。本論文では、この課題に対する新しいアーキテクチャである文間依存関係ベースのニューラルネットワーク（iDepNN）を提案する。iDepNNは、再帰型および再帰的ニューラルネットワークを使用して最短および拡張された依存パスをモデル化し、文内（intra-）および文間（inter-）境界での関係を抽出する。SVMやニューラルネットワークの基線モデルと比較して、iDepNNは複数の文にまたがる関係における偽陽性に対してより堅牢である。我々は、新規配信（MUC6）および医療（BioNLP共有タスク）分野の4つのデータセットでモデルを評価した結果、最先端の性能を達成し、文間関係において精度とリコールのバランスがより良好であることが示された。2016年のBioNLP共有タスクに参加した11チームよりも優れた性能を発揮し、F1スコアで5.2% (0.587 対 0.558) の改善を達成した。また、MUC6用の跨文注釈も公開している。