摘要

关系分类是自然语言处理（NLP）领域的一个重要研究方向。在本文中，我们提出了一种新的神经网络模型——SDP-LSTM，用于识别句子中两个实体之间的关系。我们的神经架构利用了两个实体之间的最短依存路径（Shortest Dependency Path, SDP）；多通道循环神经网络（Recurrent Neural Networks, RNN），结合长短期记忆（Long Short-Term Memory, LSTM）单元，沿SDP提取异构信息。我们提出的模型具有以下几个显著特点：(1) 最短依存路径保留了与关系分类最相关的信息，同时去除了句子中的无关词汇。(2) 多通道LSTM网络能够有效地从依赖路径上的不同来源整合信息。(3) 定制的dropout策略对神经网络进行正则化，以减轻过拟合问题。我们在SemEval 2010关系分类任务上测试了该模型，取得了83.7%的$F_1$分数，高于文献中其他竞争方法。