NLP用于关系提取分类论文研读学习笔记

用于关系分类的最先进的方法主要基于统计机器学习，并且它们的性能很大程度上取决于提取的特征的质量。提取的特征通常来自预先存在的自然语言处理（NLP）系统的输出，这导致错误在现有工具中的传播和阻碍这些系统的性能。在本文中，我们利用卷积深度神经网络（DNN）提取词法和句子级别的功能。我们的方法将所有单词标记作为输入没有复杂的预处理。首先，单词标记被转换为向量查找单词嵌入。然后，根据给定的词汇级别特征提取名词。同时，使用卷积方法学习句子级特征。这些连接两个级别的特征以形成最终提取的特征向量。最后，将这些特征输softmax分类器以预测两个标记名词之间的关系。该实验结果表明，我们的方法明显优于最先进的技术,

简介
关系分类的任务是预测名称和可以对之间的语义关系定义如下：给定带有带注释的名义对e1和e2的句子S，我们的目标确定e1和e2之间的关系。人们对此非常感兴趣自动关系分类，既作为目的本身，又作为各种NLP的中间步骤应用。最具代表性的关系分类方法使用监督范式;这样的方法已被证明是有效的，并产生相对较高的性能。监督方法进一步划分基于特征的方法和基于内核的方法。基于特征的方法使用一组功能在进行文本分析后选择。他们将这些功能转换为符号ID，即然后使用类似于词袋模型2的范例转换为矢量。反过来，基于内核的方法需要以解析树的形式（例如依赖性）预处理输入数据解析树。这些方法很有效，因为它们利用了大量的语言知识。但是，提取的特征或精心设计的内核通常来自预先存在的NLP系统的输出，这导致错误在现有工具中传播并阻碍这种系统的性能。考虑提取特征是有吸引力的这与现有的NLP工具无关。为了识别名词对之间的关​​系，有必要巧妙地将词汇和词汇结合起来从句子中不同的句法和语义结构的句子级线索。例如，在句子“[火] e1 WTC内部是由[燃料]