2ヶ月前

ニューラルメトリックラーニングを用いた高速なエンドツーエンドの関係抽出

Tung Tran; Ramakanth Kavuluru
ニューラルメトリックラーニングを用いた高速なエンドツーエンドの関係抽出
要約

関係抽出(RE)は、いくつかの学問分野において欠かせない情報抽出タスクである。REモデルは通常、独立した別のモデルによって前段階で名詞認識(NER)が既に実行されているという前提を持つ。最近の研究では、エンドツーエンドREのテーマのもと、両タスク間の相関性を活用するためにNERとREタスクを共同でモデリングする試みがなされている。この分野の初期の研究では、一般的にタスクをテーブルフィリング問題に還元し、ビームサーチを含む追加の高コストなデコーディングステップを適用して全体的に一貫したセルラベルを得ていた。テーブルフィリングを使用しないアプローチでも、競争力のある性能を得るためには、NERコンポーネントに対してCRFとViterbiデコーディングによる全体最適化が必要であった。本稿では、局所的な依存関係や計量ベースの特徴をプーリングするために2D畳み込みを反復適用するテーブル構造を利用した新しいニューラルアーキテクチャを提案し、全体最適化なしで最先端の成果を超えることを示す。我々は提案モデルをADEおよびCoNLL04データセットでエンドツーエンドREに検証し、以前の最高結果よりも約1%(F値で)向上し、学習時間とテスト時間が7倍から10倍速いことを示した --- 後者は時間制約のあるエンドユーザー向けアプリケーションにとって非常に有利である。

ニューラルメトリックラーニングを用いた高速なエンドツーエンドの関係抽出 | 最新論文 | HyperAI超神経