개체 구체화 그래프 컨볼루션을 사용한 의미적 관계 분류의 성능 개선

Abstract

관계 추출은 문장 내에 존재하는 두 개체(Entity) 간의 관계를 찾아내는 과제이다. 이는 질의-응답(question answering) 및 지식 기반의 확장(knowledge base population) 등의 개체 사이의 관계가 중요한 자연어 처리 과제들을 해결하기 위한 기반이 되는 과제이다. 최근에는 의존 트리를 대상으로 그래프 컨볼루션(Graph Convolution)을 활용하는 모델이 자연어 처리에서 자주 사용되어 왔다. 특히 기계 번역(Machine translation), 문장 분류(Text classification)등 구문 구조(Syntactic structures)의 활용이 중요한 과제들에서 높은 성능을 보였다. 그러나 이러한 그래프 컨볼루션은 단순히 관계 추출에 적용하는 것은 관계 추출에서 핵심적인 역할을 하는 개체의 의미를 완전하게 이해하기 어렵다. 이러한 단점을 해결하기 위해 개체 구체화 그래프 컨볼루션(Entity-specific Graph Convolution)을 제안하여 의존 트리 상에서 개체 주변의 정보를 보다 잘 반영할 수 있도록 하였다. 또한 개체 구체화 그래프 컨볼루션과 기존 그래프 컨볼루션을 사용한 모델을 결합하여 관계 추출에 특화된 모델 구조를 만들며 이를 통해 최종적인 성능을 높이고 개체 구체화 그래프 컨볼루션의 활용 방안을 제시한다. 모델을 평가하기 위해 관계 추출 분야에서 자주 사용되는 벤치마크인 TACRED와 SemEval-2010 Task 8을 사용하여 실험하였고 결과적으로 66.8와 85.3의 F1-score를 기록하여 기존의 State-of-the-art 모델을 능가하는 성능을 보여주었다. 또한 다양한 분석을 통해 제안하는 모델이 어느 정도의 영향력을 보이는지를 조사하였다.