基于图 LSTM 的跨句 N 元关系抽取
计算与语言
2017-08-15 v1
摘要
过去的关系抽取工作主要集中在单句中的二元关系上。近期自然语言处理在高价值领域的进展引发了人们对更一般场景的兴趣，即抽取跨越多个句子的 N 元关系。在本文中，我们探索了一个基于图长短期记忆网络（graph LSTM）的通用关系抽取框架，该框架可轻松扩展至跨句 N 元关系抽取。图公式化提供了一种统一的方式来探索不同的 LSTM 方法，并整合各种句内和句间依赖关系，如序列、句法和语篇关系。该框架为实体学习到了稳健的上下文表示，作为关系分类器的输入。这简化了对任意元数关系的处理，并支持对相关关系的多任务学习。我们在两个重要的精准医疗场景下评估了该框架，证明了其在传统监督学习和远程监督下的有效性。跨句抽取生成了更大的知识库，且多任务学习显著提高了抽取准确率。对各种 LSTM 方法的深入分析提供了关于语言分析对抽取准确率影响的有用见解。
引用
@article{arxiv.1708.03743,
title = {Cross-Sentence N-ary Relation Extraction with Graph LSTMs},
author = {Nanyun Peng and Hoifung Poon and Chris Quirk and Kristina Toutanova and Wen-tau Yih},
journal= {arXiv preprint arXiv:1708.03743},
year = {2017}
}
备注
Conditional accepted by TACL in December 2016; published in April 2017; presented at ACL in August 2017