کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
10127083 1645032 2018 26 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Distant supervision for relation extraction with hierarchical selective attention
ترجمه فارسی عنوان
نظارت از راه دور برای استخراج رابطه با توجه انتخاب سلسله مراتبی
کلمات کلیدی
استخراج رابطه، نظارت دور توجه سلسله مراتبی، شبکه های عصبی کانولوشن تقسیم شده،
ترجمه چکیده
استخراج رابطه تحت نظارت از راه دور یک کار مهم در زمینه پردازش زبان طبیعی است. دو روش اصلی برای بسیاری از روش های پیشرفته وجود دارد. یکی این است که همه احکام یک جفت نهاد را به عنوان ورودی می گیرند، که منجر به هزینه های محاسباتی زیادی خواهد شد. اما در واقع، تعداد کمی از احکام مربوطه برای شناخت نسبت جفت نهاد کافی است. برای مقابله با این مشکلات، ما یک شبکه توجه جدید سلسله مراتبی را برای استخراج رابطه تحت نظارت از راه دور پیشنهاد می کنیم. ابتدا مدل ما بیشترین احکام مربوطه را با توجه به توجه به سطح سخاوتمندانه بر تمام احکام یک جفت نهاد انتخاب می کند و سپس توجه به سطح سخن را به ساختن نمایه های سخن و توجه دقیق به مفاد این جملات اشاره می کند. نتایج تجربی در یک مجموعه داده به طور گسترده ای استفاده می شود نشان می دهد که روش ما به طور قابل توجهی بهتر از بسیاری از روش های موجود است.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر هوش مصنوعی
چکیده انگلیسی
Distant supervised relation extraction is an important task in the field of natural language processing. There are two main shortcomings for most state-of-the-art methods. One is that they take all sentences of an entity pair as input, which would result in a large computational cost. But in fact, few of most relevant sentences are enough to recognize the relation of an entity pair. To tackle these problems, we propose a novel hierarchical selective attention network for relation extraction under distant supervision. Our model first selects most relevant sentences by taking coarse sentence-level attention on all sentences of an entity pair and then employs word-level attention to construct sentence representations and fine sentence-level attention to aggregate these sentence representations. Experimental results on a widely used dataset demonstrate that our method performs significantly better than most of existing methods.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Neural Networks - Volume 108, December 2018, Pages 240-247
نویسندگان
, , , , , ,