DepLCNN（2015）关系分类论文阅读笔记

最新推荐文章于 2021-10-17 21:35:18 发布

zyk9916

最新推荐文章于 2021-10-17 21:35:18 发布

阅读量362

点赞数

分类专栏：论文阅读笔记文章标签：神经网络深度学习人工智能自然语言处理

本文链接：https://blog.csdn.net/zyk9916/article/details/117933294

版权

DepLCNN论文提出了一种结合CNN和负采样策略的关系分类方法，利用最短依存路径学习关系表示，并通过负采样处理方向性问题。模型输入包含最短依赖路径的词、边和标签，通过CNN进行特征提取，再进行分类。实验表明，训练时加入subject和object的分配信息能提升模型效果。

摘要由CSDN通过智能技术生成

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

在这里插入图片描述
输入：
Our model successively takes the