Naukowcy z arXiv zaproponowali nową sieć neuronową do ekstrakcji relacyjnych trójek z tekstu naturalnego, która efektywnie radzi sobie z encjami, które model nie widział podczas treningu. Problem nieznanych encji stanowi poważny problem dla tradycyjnych metod, gdyż nie potrafią one budować odpowiednich zależności kontekstowych dla takich bytów.
Zaprezentowana sieć interakcji wieloziarnistej pracuje na trzech poziomach jednocześnie: analizuje interakcje słowo-słowo, relacja-encja i pary głowne-ogonowe. Poprzez wielokrotne iteracje system refin reprezentacje encji i wzmacnia globalne cechy semantyczne związane z trójkami relacyjnymi. Takie podejście pomaga zidentyfikować relacje, które mogły zostać pominięte w wcześniejszych etapach przetwarzania.
Wyniki eksperymentów na zmodyfikowanych zbiorach danych NYT-R i WebNLG-R pokazują znaczną poprawę wydajności. Na metryce dla nieznanych encji model osiągnął wzrost F1-score o 3,1% na NYT-R i imponujące 20,5% na WebNLG-R w stosunku do poprzednich podejść. Kod źródłowy metody dostępny jest na GitHubie, co umożliwia społeczności AI weryfikację i dalsze rozwijanie tej techniki.