Resumen

Utilizamos tanto el aprendizaje de refuerzo como el aprendizaje profundo para extraer simultáneamente entidades y relaciones de textos no estructurados. Para el aprendizaje por refuerzo, modelamos la tarea como un proceso de decisión en dos pasos. El aprendizaje profundo se utiliza para capturar automáticamente la información más importante de los textos no estructurados, que representan el estado en el proceso de decisión. Al diseñar la función de recompensa por paso, nuestro método propuesto puede pasar la información de la extracción de entidades a la extracción de relaciones y obtener retroalimentación para extraer entidades y relaciones simultáneamente. En primer lugar, utilizamos una LSTM bidireccional para modelar la información de contexto, que realiza la extracción preliminar de entidades. A partir de los resultados de la extracción, el método basado en la atención puede representar las frases que incluyen el par de entidades objetivo para generar el estado inicial en el proceso de decisión. A continuación, utilizamos Tree-LSTM para representar las menciones de relación y generar el estado de transición en el proceso de decisión. Por último, empleamos el algoritmo Q-Learning para obtener la política de control π en el proceso de decisión de dos pasos. Los experimentos con ACE2005 demuestran que nuestro método alcanza un mejor rendimiento que el método de vanguardia y obtiene un aumento del 2,4% en la puntuación de recuerdo.

• Materias:Algoritmos genéticos Cerebro - fisiopatología Neurociencia Cognitiva Fisiología vegetal
• Subjects:Genetic algorithms Brain - pathophysiology Cognitive Neuroscience Plant physiology
• Palabras claves:proceso de decisión, proceso de decisión por pasos, aprendizaje de refuerzo, aprendizaje profundo, texto no estructurado, información de la entidad, par de entidades objetivo, extracción de entidad preliminar, mejor rendimiento, lstm bidireccional
• Keywords:decision process, step decision process, reinforcement learning, deep learning, unstructured text, information of entity, target entity pair, preliminary entity extraction, better performance, bidirectional lstm