초록
관계 분류는 정보 추출 분야에서 가장 중요한 작업 중 하나이며, 비구조화된 텍스트에 대한 관계적 이해를 필요로 하는 시스템의 핵심 구성 요소이기도 하다. 기존의 관계 분류 방법은 주로 성능 향상을 위해 외부 자원 및 배경 지식을 활용하지만, 관계 분류에 유용한 개체 쌍 간의 상관관계를 무시하는 경향이 있다. 본 연구에서는 개체 쌍 간의 상관관계를 표현하기 위한 ‘개체 쌍 그래프(Entity Pair Graph)’의 개념을 제안하고, 그래프 컨볼루션 네트워크(GCN)를 기반으로 한 새로운 개체 쌍 그래프 기반 신경망(EPGNN, Entity Pair Graph-based Neural Network) 모델을 제안한다. EPGNN은 사전 훈련된 BERT 모델이 생성한 문장 의미 특징과 그래프의 위상적 특징을 결합하여 관계 분류를 수행한다. 제안하는 모델은 주어진 코퍼스를 효율적으로 활용하며, 외부 자원이나 배경 지식의 필요성을 배제한다. SemEval 2010 Task 8과 ACE 2005라는 두 가지 널리 사용되는 데이터셋에서의 실험 결과를 통해, 본 방법이 기존 최고 성능의 접근법들을 초월함을 확인하였다.