문서 수준 관계 추출을 위한 거시적에서 미시적 엔티티 표현

문서 수준 관계 추출(Document-level Relation Extraction, RE)은 문장 내 및 문장 간에 표현된 관계를 추출하는 것을 요구한다. 최근 연구들은 그래프 기반 방법이 문서 인식형 상호작용을 포착하는 문서 수준 그래프를 구성함으로써 유용한 엔티티 표현을 얻을 수 있음을 보여주고 있다. 이러한 방법들은 일반적으로 전체 그래프에 더 초점을 맞추거나, 타겟 엔티티 쌍 사이의 경로와 같은 그래프의 일부에 주목한다. 그러나 우리는 문서 수준 RE가 동시에 두 가지에 주목함으로써 더 큰 이점을 얻을 수 있음을 발견하였다. 따라서 보다 포괄적인 엔티티 표현을 얻기 위해, 두 단계의 거친에서 세밀한 전략(coarse-to-fine strategy)을 채택하는 Coarse-to-Fine Entity Representation 모델(CFER)을 제안한다. 먼저, CFER는 그래프 신경망을 활용하여 거친 수준에서 전체 그래프의 전역 정보를 통합한다. 다음으로, CFER는 전역 정보를 가이드로 삼아 타겟 엔티티 쌍 사이의 경로 정보를 선택적으로 세밀한 수준에서 집계한다. 분류 과정에서는 두 수준에서 얻은 엔티티 표현을 결합하여 관계 추출을 위한 더 포괄적인 표현을 구성한다. DocRED 및 CDR 두 개의 문서 수준 RE 데이터셋에서의 실험 결과는 CFER가 기존 모델들을 능가하며, 불균형한 레이블 분포에 대해 강건함을 보여준다.