통합 엔티티 및 관계 추출을 위한 트리거-센스 메모리 플로우 프레임워크

통합 엔티티 및 관계 추출 프레임워크는 엔티티 인식과 관계 추출을 동시에 수행할 수 있도록 유일한 모델을 구축함으로써, 파이프라인 모델이 겪는 오류 전파 문제를 완화할 수 있는 두 작업 간의 종속성을 활용한다. 현재의 통합 엔티티 및 관계 추출 연구는 파라미터 공유, 공동 디코딩 또는 기타 특수한 기법(예: 반마르코프 결정 과정으로 모델링하거나 다단계 독해 과제로 재정의)을 통해 엔티티 인식과 관계 추출 간의 상호작용을 강화하는 데 집중하고 있다. 그러나 여전히 두 가지 주요 문제들이 남아 있다. 첫째, 대부분의 기법이 활용하는 상호작용은 여전히 약하고 일방향적이어서 두 작업 간의 상호 종속성을 정확히 모델링하지 못한다. 둘째, 대부분의 기법은 관계 트리거를 무시하는데, 이는 인간이 문장에서 특정 관계를 추출하는 이유를 설명하는 데 핵심적인 정보를 제공한다. 이러한 트리거는 관계 추출에 매우 중요하지만, 기존 연구에서는 간과되어 왔다. 이를 해결하기 위해 우리는 통합 엔티티 및 관계 추출을 위한 트리거-센스 메모리 플로우 프레임워크(TriMF)를 제안한다. 본 연구에서는 엔티티 인식과 관계 추출 과정에서 학습된 카테고리 표현을 기억하는 메모리 모듈을 구축한다. 이를 바탕으로, 엔티티 인식과 관계 추출 간의 양방향 상호작용을 강화하기 위한 다수준 메모리 플로우 어텐션 메커니즘을 설계하였다. 또한, 인간의 레이블 없이도 트리거 센서 모듈을 통해 문장 내 관계 트리거 정보를 자동으로 강화할 수 있도록 하여 모델 성능을 향상시키고, 예측 결과의 해석 가능성을 높였다. 실험 결과, 제안하는 프레임워크는 SciERC에서 관계 F1 점수를 52.44%로 개선(전체 +3.2%), ACE05에서 66.49%(+4.9%), CoNLL04에서 72.35%(+0.6%), ADE에서 80.66%(+2.3%)로 기존 최고 성능을 초과하며, 최신 기술 수준을 달성하였다.