Semantic Relation Classification via Convolutional Neural Networks with Simple Negative Sampling(DepLCNN,2015)论文阅读笔记
一、主要贡献
1.使用CNN从subject和object之间的最短依存路径学习关系表示。
2.引入了一个负采样(Negative Sampling)策略,即在一个关系中恰当地分配subject和object,以解决关系分类问题的方向性。(以往的研究没有充分考虑subject和object之间的差异,只是简单地将(K+1)个关系种类转化为(2K+1)的多分类任务。 )
由于依赖路径通过路径方向自然地提供了subject和object的相对位置,本文提出的负采样方法,以object到subject的最短依存路径作为负样本,利用依赖路径来学习subject与object之间的分配,从而建模关系的方向性。
最短路径假说:
(1)如果e1和e2是属于同一个谓词的论元,那么它们的最短路径应该通过该谓词;
(2)如果e1和e2属于不同的谓词论元结构,它们的最短路径将通过一系列谓词,并且任何连续的谓词都共享一个公共论元。路径上谓词的顺序表明了该关系的主语和宾语的正确分配。
二、模型
输入:
Our model successively takes the