Relational Extraction on Wikipedia Tables using Convolutional and Memory Networks

要約

関係抽出 (RE) は、テキスト内のエンティティ間の関係を抽出するタスクです。
ほとんどの RE メソッドは、自由形式の実行テキストから関係を抽出し、テーブルなどの他の豊富なデータ ソースを除外します。
私たちは、表形式に整理されたデータにニューラル手法を適用するという観点から RE を探求します。
畳み込みニューラル ネットワーク (CNN) と双方向長期短期メモリ (BiLSTM) ネットワークで構成される新しいモデルを導入し、それぞれエンティティをエンコードし、エンティティ間の依存関係を学習します。
大規模な最近のデータセットでモデルを評価し、結果を以前のニューラル手法と比較します。
実験結果は、表形式データに対する関係抽出のタスクに関して、私たちのモデルが以前のモデルよりも一貫して優れていることを示しています。
私たちは包括的なエラー分析とアブレーション研究を実行して、モデルのさまざまなコンポーネントの寄与を示します。
最後に、私たちのアプローチの有用性とトレードオフについて議論し、さらなる研究を促進するための提案を提供します。

要約(オリジナル)

Relation extraction (RE) is the task of extracting relations between entities in text. Most RE methods extract relations from free-form running text and leave out other rich data sources, such as tables. We explore RE from the perspective of applying neural methods on tabularly organized data. We introduce a new model consisting of Convolutional Neural Network (CNN) and Bidirectional-Long Short Term Memory (BiLSTM) network to encode entities and learn dependencies among them, respectively. We evaluate our model on a large and recent dataset and compare results with previous neural methods. Experimental results show that our model consistently outperforms the previous model for the task of relation extraction on tabular data. We perform comprehensive error analyses and ablation study to show the contribution of various components of our model. Finally, we discuss the usefulness and trade-offs of our approach, and provide suggestions for fostering further research.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google