تعمل الأعمال الموجودة على استخراج المعلومات (IE) بشكل أساسي المهام الرئيسية الأربعة بشكل منفصل (إبلاغ الكيان بالاعتراف بالاعتراف، واستخراج العلاقة، والكشف عن الحدث، واستخراج الوسيطة)، وبالتالي الفشل في الاستفادة من التبعيات بين المهام. تقدم هذه الورق
ة نموذجا تعليميا عميقا جديدا لحل المهام الأربع الأربعة في وقت واحد في نموذج واحد (يسمى Fourie). بالمقارنة مع عدد قليل من العمل السابق في أداء مهام IE المشتركة، تتميز Fourie بمساهمات جديدة لالتقاط التبعيات بين المهام. أولا، في مستوى التمثيل، نقدم رسم بياني تفاعل بين مثيلات المهام الأربعة المستخدمة لإثراء تمثيل التنبؤ بمثيل واحد مع أولئك من مثيلات المهام الأخرى ذات الصلة. ثانيا، على مستوى العلامة، نقترح رسم بياني للاعتماد لأنواع المعلومات في المهام الأربعة IE التي تلتقط الاتصالات بين الأنواع المعبر عنها في جملة مدخلات. يتم تقديم آلية تنظيمية جديدة لإنفاذ الاتساق بين الرسوم البيانية الذهبية المتوقعة والتنبؤ بها لتحسين تعلم التمثيل. نظهر أن النموذج المقترح يحقق الأداء الحديثة للمفصل IE على كل من إعدادات التعلم أحادية اللغات وغير اللغوية بأثلاثة لغات مختلفة.
تبادل مهام التحليل الدلالي الغني، مثل تمثيل المعنى التجريدي (AMR)، أهداف مماثلة مع استخراج المعلومات (أي) تحويل نصوص اللغة الطبيعية إلى تمثيلات دلالية منظم.للاستفادة من مثل هذه التشابه، نقترح إطارا رواية موجه AMR لاستخراج المعلومات المشترك لاكتشاف ال
كيانات والعلاقات والأحداث بمساعدة محلل عمرو المدرب مسبقا.يتكون إطارنا من مكونين جديدين: 1) مجمع الرسم البياني الدلالي الذي يستند إلى AMR للسماح للكيان المرشح وحدث الحدث العقد بجمع معلومات الحي من الرسم البياني AMR لرسالة المرور بين عناصر المعرفة ذات الصلة؛2) فك ترميز الرسم البياني AMR لاستخراج عناصر المعرفة بناء على الترتيب الذي يقرره الهياكل الهرمية في عمرو.أظهرت تجارب حول مجموعات البيانات المتعددة أن تشفير الرسوم البيانية للأمور القديمة وتقدم مكاسب كبيرة وقد حققت نهجنا أداء جديد من بين الفنون في جميع الخدمات الفرعية.
