从阅读理解数据集中学习隐式关系的开放信息抽取
信息检索
2019-05-21 v1 计算与语言
机器学习
摘要
句子中两个实体之间的关系通常由词序和常识暗示，而非显式谓词。例如，很明显“Fed主席Powell暗示加息”隐含了(Powell, 是, Fed主席)和(Powell, 为, Fed工作)。这些元组与显式谓词元组(Powell, 暗示, 加息)同样重要，但在传统开放信息抽取（OpenIE）系统下的召回率低得多。隐式元组是我们对这种关系未出现在输入句子中的抽取类型的称呼。相对于其他NLP任务，可用的OpenIE训练数据非常少，且无一聚焦于隐式关系。我们开发了一个开源的、基于解析的工具，用于将大型阅读理解数据集转换为OpenIE数据集，并发布了一个按句子数计比先前可用大35倍的数据集。在该数据上训练的基线神经模型在隐式抽取任务上优于先前的方法。
引用
@article{arxiv.1905.07471,
title = {Learning Open Information Extraction of Implicit Relations from Reading Comprehension Datasets},
author = {Jacob Beckerman and Theodore Christakis},
journal= {arXiv preprint arXiv:1905.07471},
year = {2019}
}