用于关系分类的结构正则化双向循环卷积神经网络
计算与语言
2017-11-08 v1
摘要
关系分类是自然语言处理(NLP)领域的一项重要语义处理任务。本文提出一种新颖的模型——结构正则化双向循环卷积神经网络(SR-BRCNN),用于分类句子中两个实体之间的关系,并构建了用于命名实体识别和关系分类的中文散文新数据集。一些最先进的系统专注于利用卷积或循环神经网络对两个实体之间的最短依赖路径(SDP)进行建模。我们进一步探索如何充分利用SDP中的依赖关系信息,以及如何通过结构正则化的方法改进模型。我们提出一种结构正则化模型,沿从结构正则化依赖树形成的森林中提取的SDP学习关系表示,这有助于降低整个模型的复杂度,并将分数提高了10.3。实验结果表明,我们的方法在中文散文任务上优于最先进的方法,在SemEval-2010 Task 8数据集上也表现相当。\footnote{本文开发并使用的中文散文语料库将在后续发布。}
引用
@article{arxiv.1711.02509,
title = {Structure Regularized Bidirectional Recurrent Convolutional Neural Network for Relation Classification},
author = {Ji Wen},
journal= {arXiv preprint arXiv:1711.02509},
year = {2017}
}
备注
arXiv admin note: text overlap with arXiv:1411.6243 by other authors