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.
Domains
Computation and Language [cs.CL]Origin | Publisher files allowed on an open archive |
---|
Loading...