一种基于低成本序列特征的Bi-LSTM-RNN关系分类模型
计算与语言
2016-08-30 v1
摘要
关系分类在人工智能领域有许多潜在应用。近期方法通常利用基于结构特征（如句法特征或依存特征）的神经网络来解决该问题。然而，高昂的结构特征成本使得此类方法难以直接使用。此外，结构特征可能是领域相关的。因此，本文提出了一种基于低成本序列特征的双向长短期记忆循环神经网络（Bi-LSTM-RNN）模型，用于解决关系分类问题。该模型将句子或文本片段划分为五个部分，即两个目标实体及其三个上下文。它学习实体及其上下文的表示，并利用这些表示对关系进行分类。我们在两个不同领域的标准基准数据集上评估了模型，即SemEval-2010 Task 8和BioNLP-ST 2016 Task BB3。在前一个数据集上，我们的模型取得了与使用序列特征的其他模型相当的性能。在后一个数据集上，我们的模型在官方评估中取得了仅次于前两名的第三佳结果。此外，我们发现两个目标实体之间的上下文在关系分类中起着最重要的作用。进一步，统计实验表明，当不使用依存句法分析时，两个目标实体之间的上下文可作为最短依存路径的近似替代。
引用
@article{arxiv.1608.07720,
title = {A Bi-LSTM-RNN Model for Relation Classification Using Low-Cost Sequence Features},
author = {Fei Li and Meishan Zhang and Guohong Fu and Tao Qian and Donghong Ji},
journal= {arXiv preprint arXiv:1608.07720},
year = {2016}
}