Resumen

Las redes neuronales profundas han demostrado su superioridad a la hora de resolver diversas tareas del procesamiento del lenguaje natural, especialmente la clasificación de relaciones. Sin embargo, a diferencia de los métodos tradicionales de ingeniería de características, que extraen de forma selectiva características bien diseñadas para una tarea específica, la diversidad de formatos de entrada para el aprendizaje profundo es limitada; la secuencia de palabras como entrada es el escenario utilizado con frecuencia. Por lo tanto, la entrada de la red neuronal, en cierta medida, carece de pertinencia. Para la tarea de clasificación de relaciones, no es raro que, sin un par de entidades específico, una frase contenga varios tipos de relación; por lo tanto, el par de entidades indica la distribución de la información crucial en la frase de entrada para reconocer una relación específica. Teniendo en cuenta esta característica, en este artículo se proponen varias estrategias para integrar la información del par de entidades en la aplicación del aprendizaje profundo en la tarea de clasificación de relaciones, de forma que se proporcione una dirección de aprendizaje definitiva para la red neuronal. Los resultados experimentales en el conjunto de datos SemEval-2010 Task 8 muestran que nuestro método supera a la mayoría de los modelos de última generación, sin características lingüísticas externas.

• Materias:Control del proceso Aerodinámica Diagnóstico de fallas Regulación automática Instrumentación automática
• Subjects: Aerodynamics Fault diagnosis Automatic regulation Automatic instrumentation
• Palabras claves:tarea de clasificación de relaciones, aprendizaje profundo, red neuronal, red neuronal profunda, procesamiento del lenguaje natural, dirección de aprendizaje definitiva, información de pares de entidades, características lingüísticas externas, par de entidades específicas, varios tipos de relación
• Keywords:relation classification task, deep learning, neural network, deep neural network, natural language processing, definitive learning direction, entity pair information, external linguistic features, specific entity pair, various relation types