基于最短依存路径上长短期记忆网络的关系分类
计算与语言
2015-08-18 v1 机器学习
摘要
关系分类是自然语言处理（NLP）领域的一个重要研究方向。本文中，我们提出 SDP-LSTM，一种用于分类句子中两个实体关系的新型神经网络。我们的神经架构利用两个实体之间的最短依存路径（SDP）；具有长短期记忆（LSTM）单元的多通道循环神经网络沿 SDP 获取异构信息。我们提出的模型有几个显著特征：（1）最短依存路径保留了最相关信息（对于关系分类），同时消除了句子中的无关词。（2）多通道 LSTM 网络允许沿依存路径从异构源进行有效信息整合。（3）定制的 dropout 策略正则化神经网络以缓解过拟合。我们在 SemEval 2010 关系分类任务上测试我们的模型，取得了 -score of 83.7\%，高于文献中的竞争方法。
引用
@article{arxiv.1508.03720,
title = {Classifying Relations via Long Short Term Memory Networks along Shortest Dependency Path},
author = {Xu Yan and Lili Mou and Ge Li and Yunchuan Chen and Hao Peng and Zhi Jin},
journal= {arXiv preprint arXiv:1508.03720},
year = {2015}
}
备注
EMNLP '15