엔티티와 관계 추출을 위한 공동 파티션 필터 네트워크

공동 엔티티 및 관계 추출에서 기존의 연구들은 either 작업별 특징을 순차적으로 인코딩하여, 이후에 추출된 특징이 먼저 추출된 특징과 직접적인 상호작용을 가지지 못하는 상호작용의 비균형 문제를 겪는다. 또는 엔티티 특징과 관계 특징을 병렬적으로 인코딩함으로써 각 작업의 특징 표현 학습이 입력 공유 외에는 거의 독립적으로 이루어지게 된다. 본 연구에서는 두 작업 간의 양방향 상호작용을 적절히 모델링하기 위해 파티션 필터 네트워크(Partition Filter Network, PFN)를 제안한다. 본 인코더에서는 특징 인코딩을 두 단계로 분해한다: 파티션과 필터링. 제안하는 인코더는 엔티티 게이트와 관계 게이트라는 두 개의 게이트를 활용하여 뉴런을 두 개의 작업 전용 파티션과 하나의 공유 파티션으로 분할한다. 공유 파티션은 두 작업 모두에 유용한 상호작용 정보를 나타내며, 두 작업에 균등하게 공유되어 양방향 상호작용이 적절히 이루어지도록 보장한다. 작업 전용 파티션은 각 작업 내부의 정보를 나타내며, 두 게이트의 공동 작용을 통해 형성되어, 작업별 특징의 인코딩이 서로 의존하도록 한다. 여섯 개의 공개 데이터셋에서 수행한 실험 결과는 제안한 모델이 기존 접근 방식보다 유의미하게 우수함을 보여준다. 또한 기존 연구들이 주장한 바와 달리, 부가 실험 결과는 관계 예측이 명명된 엔티티 예측에 비소외할 수 없는 기여를 한다는 점을 시사한다. 소스 코드는 https://github.com/Coopercoppers/PFN 에서 확인할 수 있다.