Temporale Informationsgewinnung für die Beantwortung von Fragen unter Verwendung syntaktischer Abhängigkeiten in einer auf LSTM basierenden Architektur

In diesem Papier schlagen wir vor, eine Reihe einfacher, architektonisch einheitlicher LSTM-basierter Modelle zu verwenden, um verschiedene Arten von zeitlichen Relationen aus Text zu extrahieren. Unter Verwendung des kürzesten Abhängigkeitswegs zwischen Entitäten als Eingabe wird dieselbe Architektur implementiert, um intra-satzliche, inter-satzliche und Dokumentenerstellungszeitbeziehungen zu extrahieren. Eine "Doppelprüfung"-Technik kehrt Entitätspaare in der Klassifikation um, steigert die Rückrufrate positiver Fälle und reduziert Fehklassifikationen zwischen entgegengesetzten Klassen. Ein effizientes Beschneidungsalgorithmus löst Konflikte global. Bewertet auf QA-TempEval (SemEval2015 Task 5) übertrifft unsere vorgeschlagene Technik die modernen Methoden bei weitem. Wir führen auch eine intrinsische Bewertung durch und erzielen Ergebnisse über dem Stand der Technik auf Timebank-Dense.