초록
의존 트리는 관계 추출 모델이 단어들 사이의 장거리 관계를 포착하는 데 도움을 줍니다. 그러나 기존의 의존성 기반 모델들은 의존 트리를 과도하게 제거하여 중요한 정보(예: 부정)를 간과하거나, 다양한 트리 구조에서 병렬 처리가 어려워 계산적으로 비효율적입니다. 우리는 관계 추출에 특화된 그래프 컨볼루션 네트워크의 확장을 제안합니다. 이 방법은 임의의 의존 구조에서 효율적으로 병렬로 정보를 풀링합니다. 관련 정보를 통합하면서 최대한 불필요한 내용을 제거하기 위해, 두 개체 사이의 가장 짧은 경로 주변에 있는 단어들을 유지하는 새로운 가지치기 전략을 입력 트리에 적용합니다. 결과적으로 제시된 모델은 대규모 TACRED 데이터셋에서 최고 성능을 달성하며, 기존의 시퀀스 및 의존성 기반 신경망 모델들을 능가합니다. 또한 상세 분석을 통해 이 모델이 시퀀스 모델과 보완적인 강점을 가지고 있으며, 이를 결합하면 더욱 성능을 향상시킬 수 있음을 보여줍니다.