
초록
우리는 엔티티와 그들 사이의 관계를 추출하기 위한 새로운 엔드투엔드 신경망 모델을 제시합니다. 우리의 순환 신경망(RNN) 기반 모델은 양방향 시퀀스 LSTM-RNNs 위에 양방향 트리 구조 LSTM-RNNs을 쌓아서 단어 시퀀스와 의존성 트리 하위 구조 정보를 모두 포착합니다. 이는 공유 매개변수를 사용하여 단일 모델에서 엔티티와 관계를 동시에 표현할 수 있게 합니다. 우리는 또한 엔티티 사전 학습과 스케줄링 샘플링을 통해 훈련 중 엔티티 검출을 촉진하고 관계 추출에 엔티티 정보를 활용합니다. 우리의 모델은 ACE2005에서 12.1%, ACE2004에서 5.7%의 상대적 오류 감소율을 달성하며, 엔드투엔드 관계 추출에서 최신 특징 기반 모델보다 우수한 성능을 보입니다. 또한, 명사적 관계 분류(SemEval-2010 Task 8)에서 우리의 LSTM-RNN 기반 모델이 최신 CNN 기반 모델(F1 점수로 평가)과 유리하게 비교됨을 보여줍니다. 마지막으로, 여러 모델 구성 요소에 대한 광범위한 제거 분석(ablation analysis) 결과를 제시합니다.