[논문 리뷰] Relation Extraction : A Survey

Sachin Pawar, Girish Keshav Palshikar외 1명|arXiv (Cornell University)|2017. 12. 14.

Topic Modeling참고 문헌 115인용 수 76

한 줄 요약

관계 추출(RE) 기법에 대한 포괄적 조사로, 감독 학습, 반지도 학습, 비지도 학습 접근법, 개방형 정보추출(OIE), 원거리 감독을 다루며 특징 및 커널 방법과 ACE와 같은 일반 RE 데이터셋에 초점을 맞춘다.

ABSTRACT

With the advent of the Internet, large amount of digital text is generated everyday in the form of news articles, research publications, blogs, question answering forums and social media. It is important to develop techniques for extracting information automatically from these documents, as lot of important information is hidden within them. This extracted information can be used to improve access and management of knowledge hidden in large text corpora. Several applications such as Question Answering, Information Retrieval would benefit from this information. Entities like persons and organizations, form the most basic unit of the information. Occurrences of entities in a sentence are often linked through well-defined relations; e.g., occurrences of person and organization in a sentence may be linked through relations such as employed at. The task of Relation Extraction (RE) is to identify such relations automatically. In this paper, we survey several important supervised, semi-supervised and unsupervised RE techniques. We also cover the paradigms of Open Information Extraction (OIE) and Distant Supervision. Finally, we describe some of the recent trends in the RE techniques and possible future research directions. This survey would be useful for three kinds of readers - i) Newcomers in the field who want to quickly learn about RE; ii) Researchers who want to know how the various RE techniques evolved over time and what are possible future research directions and iii) Practitioners who just need to know which RE technique works best in various settings.

연구 동기 및 목표

• 관계 추출 작업과 도전과제에 대한 구조화된 개요를 제공합니다.
• 감독 학습, 반지도 학습, 비지도 RE 접근법을 요약합니다.
• Open Information Extraction 및 원거리 감독 패러다임을 논의합니다.
• RE를 위한 커널 및 특징 기반 방법과 그 평가를 검토합니다.
• 데이터셋과 RE의 미래 방향을 강조합니다.

제안 방법

• RE 기법을 감독, 반지도 학습, 비지도, 오픈 IE(Open IE), 원거리 감독으로 분류합니다.
• 어휘적, 구문적, 의미론적 특징을 갖춘 특징 기반 방법을 상세히 다룹니다.
• 시퀀스, 구문 트리, 의존 트리, 의존 그래프 커널을 사용한 커널 기반 RE를 설명합니다.
• 시퀀스, 구문 트리, 파싱 트리, 증가된 의존 트리 등 관계 인스턴스에 대한 표현과 그 커널을 설명합니다.
• 향상된 RE 성능을 위한 여러 하위 커널을 결합한 합성 커널을 도입합니다.
• 데이터셋(예: ACE)과 RE의 평가 고려사항을 논의합니다.

실험 결과

연구 질문

• RQ1 주요 RE 패러다임은 무엇이며 입력, 출력, 감독 수준에서 어떻게 다른가?
• RQ2 어떤 특징 및 커널 표현이 엔티티 언급 간의 관계 정보를 효과적으로 포착하는가?
• RQ3 다양한 트리 및 그래프 기반 커널은 RE 작업에서 어떻게 비교되는가?
• RQ4 어떤 데이터셋과 평가 관행이 RE의 발전을 형성하며 현재의 도전과제와 미래 과제는 무엇인가?

주요 결과

• 특징 기반 방법은 관계 인스턴스를 분류하기 위해 신중하게 설계된 어휘적, 구문적, 의미론적 특징에 의존한다.
• 커널 기반 접근법은 시퀀스, 구문 트리, 의존 구조와 같은 표현에 대한 유사도 측정을 통해 명시적 특징 엔지니어링을 완화한다.
• 여러 RE 커널(시퀀스, 구문 트리, 의존 트리, 의존 경로)가 탐구되며, 합성 커널이 ACE 기반 평가에서 종종 최상의 성능을 보인다.
• ACE 2003/2004 데이터셋은 RE의 중심 벤치마크이며, 표현 및 맥락이 성능에 어떻게 영향을 미치는지에 대한 논의가 있다.
• 클래스 불균형 및 도메인 의존성이 감독 학습 RE 방법의 도전과제로 강조된다.
• Open Information Extraction 및 원거리 감독은 확장 가능한 RE를 형성하는 중요한 트렌드로 확인된다.