结合注意力机制与残差网络的远程监督关系抽取

关系抽取是信息提取领域的重要任务之一。虽然有监督的学习方法在关系抽取任务中取得了相当好的效果,但监督样本的缺乏限制了有监督学习方法的应用,于是有人提出将远程监督思想用于关系抽取任务中。现今,远程监督的关系抽取被广泛应用于从文本中发现新的关系实体。然而远程监督不可避免地伴随着噪音数据,显然这些噪音数据将会影响关系抽取任务的效果。为了尽可能地解决这个问题,论文结合Special Self Attention和Deep Residual Learning(ResNet)设计了一种新的深度学习模型(ARCNN),期望可以动态地减少噪音数据的影响,更好地提取文本的深层信息。实验结果显示论文的模型可以有效地减轻远程监督数据的噪音影响,并更好地抽取出实体对的关系。