효과적이고 다양한 질문을 제시하기: 공동 엔티티-관계 추출을 위한 기계 독해 기반 프레임워크

최근의 기술 발전은 엔티티-관계 추출을 다중 회차 질의응답(QA) 문제로 재정의하고, 기계 독해 이해(MRC) 모델을 기반으로 효과적인 해결책을 제시하고 있다. 그러나 기존의 접근 방식은 엔티티와 관계의 의미를 단일한 질문으로 표현하는 방식을 사용하며, 맥락의 의미적 다양성 측면에서 직관적으로 부족함이 있다. 또한 기존 모델들은 모든 관계 유형을 나열하여 질문을 생성함으로써 비효율적인 문제와 혼란스러운 질문 발생을 초래할 수 있다. 본 논문에서는 다양한 질문 응답 기반의 접근 방식을 도입하여 기존의 MRC 기반 엔티티-관계 추출 모델을 개선한다. 먼저, 엔티티 구간을 탐지하기 위한 다각적 질문 응답 메커니즘을 제안하고, 다양한 응답을 통합하기 위한 두 가지 응답 선택 전략을 설계한다. 그 다음, 잠재적인 관계의 부분집합을 예측하고 관련 없는 관계를 제거함으로써 효율적인 질문 생성을 제안한다. 마지막으로, 엔티티 및 관계 추출을 엔드투엔드(end-to-end) 방식으로 통합하고 공동 학습(joint learning)을 통해 최적화한다. 실험 결과, 제안한 방법은 기준 모델 대비 유의미한 성능 향상을 보였으며, ACE05에서 관계 F1 점수를 62.1%로 개선(1.9% 향상), CoNLL04에서는 71.9%로 개선(3.0% 향상)하였다. 본 연구의 구현 코드는 다음 링크에서 확인할 수 있다: https://github.com/TanyaZhao/MRC4ERE.