Combinando Redes Neuronales y Modelos Log-Lineales para Mejorar la Extracción de Relaciones

La última década ha sido testigo del éxito del método tradicional basado en características al explotar las estructuras discretas, como palabras o patrones léxicos, para extraer relaciones del texto. Recientemente, las redes neuronales convolucionales y recurrentes han proporcionado mecanismos muy efectivos para capturar las estructuras ocultas dentro de las oraciones a través de representaciones continuas, avanzando significativamente el rendimiento de la extracción de relaciones. La ventaja de las redes neuronales convolucionales es su capacidad para generalizar los k-gramas consecutivos en las oraciones, mientras que las redes neuronales recurrentes son efectivas para codificar grandes rangos de contexto de la oración. Este artículo propone combinar el método tradicional basado en características, las redes neuronales convolucionales y recurrentes para beneficiarse simultáneamente de sus ventajas. Nuestra evaluación sistemática de diferentes arquitecturas de red y métodos de combinación demuestra la efectividad de este enfoque y resulta en un rendimiento de vanguardia en el conjunto de datos ACE 2005 y SemEval.