Resumen

La clasificación de relaciones es una importante tarea de procesamiento semántico en el campo del procesamiento del lenguaje natural (PLN). Las fuentes de datos suelen adoptar estrategias de control remoto para generar automáticamente datos de entrenamiento a gran escala, lo que inevitablemente provoca problemas de ruido en las etiquetas. Al mismo tiempo, otro reto es que la información importante puede aparecer en cualquier lugar de la frase. Este artículo presenta un modelo de clasificación de relaciones conjuntas a nivel de frase. El modelo tiene dos módulos: un agente de aprendizaje por refuerzo (RL) y un modelo de red conjunta. En particular, combinamos la memoria bidireccional a corto plazo (Bi-LSTM) y el mecanismo de atención como un modelo conjunto para procesar las características del texto de las frases y clasificar la relación entre dos entidades. Al mismo tiempo, introducimos un mecanismo de atención para descubrir información oculta en las frases. El entrenamiento conjunto de los dos módulos resuelve el problema del ruido en la extracción de relaciones, la extracción de información a nivel de frase y la clasificación de relaciones. Los resultados experimentales demuestran que el modelo puede hacer frente con eficacia al ruido de los datos y lograr un mejor rendimiento en la clasificación de relaciones a nivel de frase.

• Materias:Inteligencia artificial Minería de datos Algoritmos genéticos Neurofisiología Proceso de aprendizaje
• Subjects:Artificial intelligence Data mining Genetic algorithms Neurophysiology Learning processes
• Palabras claves:mecanismo de atención, oración, extracción de información de nivel, características de la oración, rendimiento de la clasificación de relaciones, tarea de procesamiento semántico, modelo de red conjunta, procesamiento del lenguaje natural, datos de entrenamiento a escala, modelo de clasificación de relaciones
• Keywords:attention mechanism, sentence, level information extraction, features of sentence, relations classification performance, semantic processing task, joint network model, natural language processing, scale training data, relations classification model