4、2DEPT与MVARN：实体关系提取与图问答任务的创新方案

2DEPT与MVARN：实体关系提取与图问答任务的创新方案

在自然语言处理和多模态识别领域，实体关系提取和图问答任务一直是研究的热点。本文将介绍两种创新模型：2D实体对标记方案（2DEPT）和多视图注意力关系网络（MVARN），它们分别在实体关系提取和图问答任务中展现出卓越的性能。

2DEPT：解决实体关系提取难题

实现细节

• 训练优化器与学习率 ：采用Adam优化器训练模型，学习率设定为1e - 5。
• 特征维度设置 ：标记表示的维度$d_h$设为768，主题和对象标记表示的维度$d_e$设为3 * 768。
• 批量大小 ：不同数据集的批量大小不同，NYT 和NYT为16，WebNLG 和WebNLG为10。
• 训练设备 ：使用一块RTX 3090 Ti GPU进行训练。
• 超参数确定与权重初始化 ：所有超参数在开发集上确定，训练的权重参数通过正态分布随机初始化。每个数据集运行模型5次，取平均结果作为最终报告结果。

基线模型对比

为证明2DEPT模型的有效性，将其与多个最先进的基线模型进行对比。
| 模型 | NYT （Prec.） | NYT （Rec.） | NYT （F1） | WebNLG （Prec.） | WebNLG （Rec.） |