ドキュメントレベル関係抽出のための論理規則学習

ドキュメントレベルの関係抽出は、ドキュメント全体にわたるエンティティ間の関係を同定することを目的としている。これまでの研究では、長距離依存関係を捉えるために（グラフ）ニューラルネットワークを通じて暗黙的に強力な表現を学習する手法に依存しており、モデルの解釈性が低くなるという課題があった。本稿では、この課題に対処するため、論理規則を学習する新しい確率モデルであるLogiREを提案する。LogiREは論理規則を潜在変数として扱い、論理規則生成器と関係抽出器という2つのモジュールから構成される。論理規則生成器は最終予測に寄与しうる可能性のある論理規則を生成し、関係抽出器は生成された論理規則に基づいて最終的な予測を出力する。これらの2つのモジュールは期待値最大化（EM）アルゴリズムを用いて効率的に最適化可能である。ニューラルネットワークに論理規則を導入することで、LogiREは明示的に長距離依存関係を捉えることができるだけでなく、解釈性の向上も実現している。実験結果から、LogiREは複数の強力なベースラインと比較して、関係抽出性能（F1スコア+1.8）および論理的一貫性（3.3以上の論理スコア）において顕著に優れていることが示された。本研究のコードは、https://github.com/rudongyu/LogiRE にて公開されている。