Relation, es-tu là ? Détection de relations par LSTM pour améliorer l’extraction de relations - Archive ouverte HAL
Conference Papers Year : 2020

Relation, are you there? LSTM-based relation detection to improve knowledge extraction

Relation, es-tu là ? Détection de relations par LSTM pour améliorer l’extraction de relations

Abstract

Various methods for relation extraction and classification have been proposed and benchmarked onstandard academic datasets. In real-life data however, the number of potential relations is enormousand the heuristics and count-based methods often used to separate actual relations from meaninglessco-occurrences fail to detect weak signals of importance. In this paper, we investigate the use of acomputationally-light binary detection model to identify whether a couple of entities in a sentencebears a relation, as a preliminary step prior to relation classification. Our model is based on the shortestdependency path between two entities analyzed with a LSTM recurrent network and combined withinformation on the entities types. On the binary relation detection task, we achieve results betterthan a state-of-the-art relation classification model adapted to detection with increased robustnessto relations unseen in training. We finally show that binary detection as a pre-processing step toclassification of relations is effective in significantly improving the latter.
De nombreuses méthodes d’extraction et de classification de relations ont été proposées et testées sur des données de référence. Cependant, dans des données réelles, le nombre de relations potentielles est énorme et les heuristiques souvent utilisées pour distinguer de vraies relations de co-occurrences fortuites ne détectent pas les signaux faibles pourtant importants. Dans cet article, nous étudions l’apport d’un modèle de détection de relations, identifiant si un couple d’entités dans une phrase exprime ou non une relation, en tant qu’étape préliminaire à la classification des relations. Notre modèle s’appuie sur le plus court chemin de dépendances entre deux entités, modélisé par un LSTM et combiné avec les types des entités. Sur la tâche de détection de relations, nous obtenons de meilleurs résultats qu’un modèle état de l’art pour la classification de relations, avec une robustesse accrue aux relations inédites. Nous montrons aussi qu’une détection binaire en amont d’un modèle de classification améliore significativement ce dernier.
Fichier principal
Vignette du fichier
52.pdf (444.73 Ko) Télécharger le fichier
Origin Publisher files allowed on an open archive
Loading...

Dates and versions

hal-02784777 , version 1 (07-06-2020)
hal-02784777 , version 2 (18-06-2020)
hal-02784777 , version 3 (23-06-2020)

Identifiers

  • HAL Id : hal-02784777 , version 3

Cite

Cyrielle Mallart, Michel Le Nouy, Guillaume Gravier, Pascale Sébillot. Relation, es-tu là ? Détection de relations par LSTM pour améliorer l’extraction de relations. JEP-TALN-RECITAL 2020 - 6e conférence conjointe Journées d'Études sur la Parole (JEP, 33e édition), Traitement Automatique des Langues Naturelles (TALN, 27e édition), Rencontre des Étudiants Chercheurs en Informatique pour le Traitement Automatique des Langues (RÉCITAL, 22e édition). Volume 2 : Traitement Automatique des Langues Naturelles, Jun 2020, Nancy, France. pp.279-287. ⟨hal-02784777v3⟩
250 View
140 Download

Share

More