基于图卷积网络的联合信息抽取中跨任务实例表示交互与标签依赖
计算与语言
2021-03-30 v3
摘要
现有的信息抽取（IE）工作主要分别解决四个主要任务（实体提及识别、关系抽取、事件触发词检测和论元抽取），因而未能利用任务间的相互依赖关系。本文提出了一种新颖的深度学习模型，在单一模型中同时解决 IE 的四个任务（称为 FourIE）。与少数先前联合执行四个 IE 任务的工作相比，FourIE 有两个新颖贡献来捕获任务间的相互依赖。首先，在表示层面，我们引入了四个任务实例之间的交互图，用于利用来自其他任务相关实例的预测表示来丰富某一实例的预测表示。其次，在标签层面，我们提出了四个 IE 任务中信息类型的依赖图，以捕获输入句子中表达的类型之间的连接。引入了一种新的正则化机制，用于强制黄金类型依赖图与预测类型依赖图之间的一致性，以改进表示学习。我们表明，所提出的模型在单语和多语学习设置下以三种不同语言进行联合 IE 时均达到了最先进的性能。
引用
@article{arxiv.2103.09330,
title = {Cross-Task Instance Representation Interactions and Label Dependencies for Joint Information Extraction with Graph Convolutional Networks},
author = {Minh Van Nguyen and Viet Dac Lai and Thien Huu Nguyen},
journal= {arXiv preprint arXiv:2103.09330},
year = {2021}
}
备注
Accepted at NAACL-HLT 2021