エンティティと関係抽出のためのパーティションフィルターネットワーク

共同エンティティおよび関係抽出において、従来の手法はいずれかのタスク固有特徴を逐次的に符号化するため、タスク間の特徴相互作用が不均衡になる。具体的には、後段で抽出された特徴は先に抽出された特徴と直接的な接続を持たない。あるいは、エンティティ特徴と関係特徴を並列的に符号化する方法があり、これにより各タスクの特徴表現学習は入力共有を除いてほぼ独立している。本研究では、タスク間の双方向的相互作用を適切にモデル化するため、分割フィルタネットワーク（Partition Filter Network: PFN）を提案する。本アーキテクチャでは、特徴符号化を「分割」と「フィルタリング」の2段階に分解する。エンコーダー内では、エンティティゲートと関係ゲートの2つのゲートを用いて、ニューロンを2つのタスク固有の部分と1つの共有部分に分割する。共有部分は両タスクに共通する有用なタスク間情報を表しており、両タスクに均等に共有されることで、適切な双方向的相互作用を確保する。一方、タスク固有の部分はタスク内情報を表し、両ゲートの協調的な働きによって形成されるため、タスク固有特徴の符号化が互いに依存関係を持つように設計されている。6つの公開データセットにおける実験結果から、本モデルは従来手法を著しく上回る性能を示した。さらに、従来の研究が主張してきたこととは異なり、補助実験の結果から、関係予測が名前付きエンティティ予測に非無視可能な貢献をしている可能性が示唆された。本モデルのソースコードは、https://github.com/Coopercoppers/PFN にて公開されている。