인접 리스트 기반 적응형 다중 작업 학습을 통한 관계 사실 추출

관계적 사실 추출은 비구조화된 텍스트에서 의미적 삼중항(semantic triplets)을 추출하는 것을 목표로 한다. 본 연구에서는 모든 관계적 사실 추출 모델이 그래프 지향적 분석적 관점에 따라 체계화될 수 있음을 보여준다. 이러한 분석적 틀을 기반으로, 효율적인 모델인 '접근성 목록 기반 관계적 사실 추출 모델(aDjacency lIst oRiented rElational faCT, DIRECT)이 제안된다. 오류 전파 문제와 하위 작업 손실 균형 문제를 완화하기 위해 DIRECT는 동적 하위 작업 손실 조정 기능을 갖춘 새로운 적응형 다중 작업 학습 전략을 도입한다. 두 개의 벤치마크 데이터셋에서 광범위한 실험이 수행되었으며, 그 결과 제안된 모델이 다양한 최신 기술(SoTA, state-of-the-art) 모델들을 능가함을 입증하였다.