초록
엔드투엔드 관계 추출은 명명된 실체를 식별하고 그들 간의 관계를 추출하는 것을 목표로 한다. 최근 대부분의 연구는 이러한 두 하위 작업을 공동으로 모델링하며, 하나의 구조적 예측 프레임워크 내에서 모델링하거나 공유 표현을 통해 다중 작업 학습을 수행한다. 본 연구에서는 실체 및 관계 추출을 위한 간단한 파이프라인 접근법을 제안하고, 표준 벤치마크(ACE04, ACE05, SciERC)에서 새로운 최고 성능을 달성하였다. 동일한 사전 학습된 인코더를 사용하는 기존의 공동 모델 대비 관계 F1 점수에서 1.7%~2.8%의 절대적인 성능 향상을 기록하였다. 본 접근법은 본질적으로 두 개의 독립적인 인코더를 기반으로 하며, 실체 모델이 관계 모델의 입력을 구성하는 데만 사용된다. 철저한 실험을 통해 실체와 관계에 대해 서로 다른 문맥 표현을 학습하는 것이 중요하며, 관계 모델 내에서 실체 정보를 조기에 융합하고, 전역적 문맥을 포함하는 것이 성능 향상에 기여함을 검증하였다. 마지막으로, 추론 시 실체 및 관계 인코더를 각각 한 번만 통과하면 되는 효율적인 근사 방식도 제안하였으며, 정확도는 약간 저하되지만 8~16배의 속도 향상을 달성하였다.