데이터 증강을 활용한 깊은 순환 신경망을 통한 관계 분류 개선

최근에 신경망은 관계 분류 작업에서 중요한 역할을 하고 있습니다. 다양한 신경망 구조를 설계함으로써 연구자들은 전통적인 방법과 비교하여 성능을 크게 향상시켰습니다. 그러나 현재의 관계 분류용 신경망은 일반적으로 얕은 구조(예: 단일 계층 컨볼루션 신경망 또는 순환 신경망)를 가지고 있어 다른 추상 수준에서 잠재적인 표현 공간을 탐색하지 못할 가능성이 있습니다. 본 논문에서는 이러한 문제를 해결하기 위해 깊은 순환 신경망(DRNNs, Deep Recurrent Neural Networks)을 제안합니다. 또한, 관계의 방향성을 활용한 데이터 증강 방법도 제안합니다. 우리는 DRNNs를 SemEval-2010 Task 8에서 평가하였으며, F1 점수 86.1%를 달성하여 이전 최고 기록 결과를 능가하였습니다.