基于自适应提升的集成神经关系抽取
信息检索
2018-05-01 v2
摘要
关系抽取已被广泛研究以从开放语料中抽取新的关系事实。已有的关系抽取方法面临错误标签与噪声数据的问题,这显著降低了模型性能。本文中,我们提出一种集成神经网络模型——带注意力的自适应提升LSTMs(Adaptive Boosting LSTMs with Attention),以更有效地进行关系抽取。具体而言,我们的模型首先采用递归神经网络LSTMs对每句句子进行嵌入。随后,我们将注意力导入LSTMs,考虑到句中各词对句子语义的贡献并不均等。接着通过自适应提升,我们策略性地构建若干个此类神经分类器。通过自适应提升集成多个此类LSTM分类器,我们可构建更高效且鲁棒的、基于联合集成神经网络的关抽取器。在真实数据集上的实验结果表明,所提模型性能优越,相较最先进(state-of-the-art, SOTA)模型F1分数提升约8%。
引用
@article{arxiv.1801.09334,
title = {Ensemble Neural Relation Extraction with Adaptive Boosting},
author = {Dongdong Yang and Senzhang Wang and Zhoujun Li},
journal= {arXiv preprint arXiv:1801.09334},
year = {2018}
}