用于文档级关系抽取的密集连接纵横交叉注意力网络
计算与语言
2022-03-29 v1
摘要
文档级关系抽取（RE）旨在识别给定文档中两个实体间的关系。相较于句子级对应任务，文档级 RE 需要复杂推理。以往研究通常通过提及级或实体级文档图上的信息传播完成推理，却很少考虑实体对级推理。本文提出一种称为密集连接纵横交叉注意力网络（Dense-CCNet）的新模型用于文档级 RE，可在实体对级完成逻辑推理。具体而言，Dense-CCNet 通过纵横交叉注意力（CCA）执行实体对级逻辑推理，该机制能在实体对矩阵的水平和垂直方向收集上下文信息以增强相应实体对表示。此外，我们密集连接多层 CCA 以同时捕获单跳与多跳逻辑推理特征。我们在三个公开文档级 RE 数据集 DocRED、CDR 和 GDA 上评估 Dense-CCNet 模型。实验结果表明我们的模型在这三个数据集上均达到最先进（state-of-the-art）性能。
引用
@article{arxiv.2203.13953,
title = {A Densely Connected Criss-Cross Attention Network for Document-level Relation Extraction},
author = {Liang Zhang and Yidong Cheng},
journal= {arXiv preprint arXiv:2203.13953},
year = {2022}
}