面向开放关系抽取的混合神经标注模型
计算与语言
2020-02-14 v3
摘要
开放关系抽取（ORE）旨在从非结构化文本中发现任意关系元组以获得语义表示，仍具挑战性。传统方法严重依赖特征工程或句法解析，效率低或存在错误级联。近来，利用有监督深度学习结构处理ORE任务是极具前景的途径。然而，存在两个主要挑战：（1）缺乏足够标注语料以支持有监督训练；（2）探索适应开放关系抽取特性的特定神经架构。本文为克服这些困难，以全自动化方式构建大规模高质量训练语料，并设计标注方案以辅助将ORE任务转化为序列标注处理。此外，我们提出一种用于开放关系标注的混合神经网络模型（HNN4ORT）。该模型采用有序神经元LSTM编码潜在句法信息以捕捉论元与关系间的关联，并引入一种新颖的双重感知机制，包括局部感知注意力与全局感知卷积。双重感知互为补充，使模型能以句子级语义为全局视角，同时实现显著局部特征以达成稀疏标注。在多组测试集上的实验结果表明，相较传统方法或其他神经模型，我们的模型取得了最先进的性能。
引用
@article{arxiv.1908.01761,
title = {Hybrid Neural Tagging Model for Open Relation Extraction},
author = {Shengbin Jia and Yang Xiang},
journal= {arXiv preprint arXiv:1908.01761},
year = {2020}
}
备注
arXiv admin note: substantial text overlap with arXiv:1809.09408