Learning RDF pattern extractors from natural language and knowledge graphs -application to Wikipedia and the LOD (Poster) - Archive ouverte HAL Accéder directement au contenu
Poster De Conférence Année : 2023

Learning RDF pattern extractors from natural language and knowledge graphs -application to Wikipedia and the LOD (Poster)

Apprentissage d'extracteurs RDF à partir du langage naturel et de graphes de connaissances - application à Wikidata et aux Données ouvertes et liées

Résumé

Whether automatically extracted from article structured elements or produced by bots or crowdsourcing, the open and linked data published by DBpedia and Wikidata now offer rich and complementary views of the textual descriptions found in Wikipedia. However, the text of Wikipedia articles still contains a lot of information that it would be interesting to extract for improving the coverage and quality of those bases. Until recently, relation extraction questions were solved by multiple-step processes. The latest improvement in deep learning and the development of large language models have shown their abilities in many downstream and complex tasks, and directly impacted the information extraction field. However, using and restricting these approaches to a given knowledge domain is still an open question. We are presenting here in more details our research questions, and how we are drawing a first overview of the current literature at the intersections of the knowledge graphs and language models fields.
Qu'elles soit issues d'éléments structurés d'un article ou le résultat d'une production participatives, les données ouvertes et liées publiées par DBpedia et Wikidata offrent aujourd'hui un point de vue complémentaire vis à vis des descriptions en plein texte de Wikipédia. De plus, le texte de Wikipédia contient un grand nombre d'informations qui pourraient être investies dans l'amélioration de la couverture et de la qualité de ces bases de connaissances. Jusqu'à récemment, la question de l'extraction de relations était résolue à travers une chaîne de processus d'extraction (extraction d'entités nommées, recherche d'URI pour présenter celle-ci, extraction de relations, clustering des relations). Récemment, le développement de large modèles de langue a démontré qu'il était alors possible de réaliser des tâches complexes, et d'investir ces modèles pré-entraînes pour résoudre des problématiques de traitement de la langue plus spécifique. Ce qui impacte aujourd'hui, directement le domaine de l'extraction d'information. Cependant, utiliser et restreindre ces approches à un domaine de connaissance spécifique, est aujourd'hui encore une question ouverte. Nous présentons dans ce poster plus en détail nos questions de recherches, ainsi que l'approche que nous avons suivis pour investir l'état de la littérature sur la question : à l'intersection des graphes de connaissances et du traitement automatique de la langue.
Fichier principal
Vignette du fichier
CelianRingwald_GeMSS_ISWS_posterJune2023.pdf (295.96 Ko) Télécharger le fichier
Origine : Fichiers produits par l'(les) auteur(s)
Licence : CC BY NC ND - Paternité - Pas d'utilisation commerciale - Pas de modification

Dates et versions

hal-04175511 , version 1 (02-08-2023)

Licence

Paternité - Pas d'utilisation commerciale - Pas de modification

Identifiants

  • HAL Id : hal-04175511 , version 1

Citer

Celian Ringwald, Fabien Gandon, Catherine Faron, Franck Michel, Hanna Abi Akl. Learning RDF pattern extractors from natural language and knowledge graphs -application to Wikipedia and the LOD (Poster). ISWS 2023 - International Semantic Web Research Summer School / GEMSS 2023 - Generative Modeling Summer School, Jun 2023, Bertinoro, Italy / Copenhague, Denmark. , 2023. ⟨hal-04175511⟩
114 Consultations
33 Téléchargements

Partager

Gmail Facebook X LinkedIn More