ASPER: Answer Set Programming Enhanced Neural Network Models for Joint Entity-Relation Extraction

要約

結合エンティティ関係 (ER) 抽出については、多数のアプローチが提案されています。
これらの手法のほとんどは、手動で注釈が付けられた大量のトレーニング データに大きく依存しています。
ただし、手動でデータに注釈を付けるには時間がかかり、労力がかかり、エラーが発生しやすくなります。
人間は、データ (帰納法) と知識 (演繹を通じて) の両方を使用して学習します。
解答セット プログラミング (ASP) は、知識の表現と推論のために広く利用されているアプローチであり、精緻化に耐性があり、不完全な情報での推論に熟達しています。
この論文では、データとドメイン知識の両方から学習することでエンティティとリレーションを共同認識するための新しいアプローチである ASP 拡張エンティティ リレーション抽出 (ASPER) を提案します。
特に、ASPER は、ニューラル ネットワーク モデルの学習プロセスにおいて事実知識 (ASP ではファクトとして表現) と派生知識 (ASP ではルールとして表現) を利用します。
2 つの実際のデータセットで実験を実施し、私たちの方法を 3 つのベースラインと比較しました。
結果は、ASPER モデルが常にベースラインを上回るパフォーマンスを示していることを示しています。

要約(オリジナル)

A plethora of approaches have been proposed for joint entity-relation (ER) extraction. Most of these methods largely depend on a large amount of manually annotated training data. However, manual data annotation is time consuming, labor intensive, and error prone. Human beings learn using both data (through induction) and knowledge (through deduction). Answer Set Programming (ASP) has been a widely utilized approach for knowledge representation and reasoning that is elaboration tolerant and adept at reasoning with incomplete information. This paper proposes a new approach, ASP-enhanced Entity-Relation extraction (ASPER), to jointly recognize entities and relations by learning from both data and domain knowledge. In particular, ASPER takes advantage of the factual knowledge (represented as facts in ASP) and derived knowledge (represented as rules in ASP) in the learning process of neural network models. We have conducted experiments on two real datasets and compare our method with three baselines. The results show that our ASPER model consistently outperforms the baselines.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google