초록
문서 수준 관계 추출(Document-level relation extraction, RE)은 주어진 문서 내 두 개체 간의 관계를 식별하는 것을 목표로 한다. 문장 수준의 관계 추출과 비교할 때 문서 수준의 관계 추출은 보다 복잡한 추론을 필요로 한다. 기존 연구들은 일반적으로 언급 수준 또는 개체 수준의 문서 그래프를 통해 정보 전파를 통해 추론을 수행하지만, 개체 쌍 수준에서의 추론을 거의 고려하지 않았다. 본 논문에서는 문서 수준 관계 추출을 위한 새로운 모델인 밀집 연결형 크리스크로스 어텐션 네트워크(Densely Connected Criss-Cross Attention Network, Dense-CCNet)를 제안한다. 이 모델은 개체 쌍 수준에서 논리적 추론을 수행할 수 있으며, 특히 크리스크로스 어텐션(Criss-Cross Attention, CCA)을 통해 개체 쌍 행렬의 수평 및 수직 방향에서 문맥 정보를 수집함으로써 해당 개체 쌍 표현을 강화한다. 또한, CCA의 여러 레이어를 밀집 연결하여 단일 단계(single-hop) 및 다단계(multi-hop) 논리적 추론의 특징을 동시에 포착한다. 제안한 Dense-CCNet 모델은 공개된 문서 수준 관계 추출 데이터셋인 DocRED, CDR, GDA에서 평가되었으며, 실험 결과 본 모델이 세 가지 데이터셋에서 최고 수준의 성능을 달성함을 확인하였다.