
초록
관계 추출(RE)은 여러 학문 분야에서 필수적인 정보 추출 작업입니다. RE 모델들은 일반적으로 이전 단계에서 다른 독립적인 모델에 의해 명명된 개체 인식(NER)이 이미 수행되었다는 가정을 합니다. 최근의 몇몇 연구에서는 엔드투엔드(end-to-end) RE라는 주제 하에 NER와 RE 작업을 동시에 모델링하여 작업 간 상관 관계를 활용하려고 시도하고 있습니다. 이 분야의 초기 연구에서는 보통 빔 검색(beam search)을 포함하는 추가적인 비용이 많이 드는 디코딩 단계를 적용하여 전역적으로 일관된 셀 라벨을 얻기 위해 표 채우기(table-filling) 문제로 작업을 축소하였습니다. 표 채우기를 사용하지 않는 노력들에서도 Viterbi 디코딩을 사용한 CRFs 형태의 전역 최적화가 경쟁력 있는 성능을 위해서 여전히 필요합니다.우리는 로컬 종속성과 메트릭 기반 특성을 풀링(pooling)하기 위해 2D 컨볼루션을 반복적으로 적용하는 표 구조를 활용하는 새로운 신경망 아키텍처를 소개합니다. 이 방법은 전역 최적화 없이 기존 최신 기술(state-of-the-art)보다 개선되었습니다. 우리는 ADE와 CoNLL04 데이터셋에서 엔드투엔드 RE를 위한 모델을 검증하였으며, 이전 최고 결과보다 약 1%의 F-점수(F-score) 향상을 보였습니다. 또한, 학습 및 테스트 시간이 7~10배 더 빠르다는 것을 입증하였는데, 이는 시간 감응형(time-sensitive) 최종 사용자 응용 프로그램에 매우 유리합니다.