Relation, es-tu l\`a ? D\'etection de relations par LSTM pour am\'eliorer l'extraction de relations (Relation, are you there ? LSTM-based relation detection to improve knowledge extraction )

De nombreuses m{\'e}thodes d{'}extraction et de classification de relations ont {\'e}t{\'e} propos{\'e}es et test{\'e}es sur des donn{\'e}es de r{\'e}f{\'e}rence. Cependant, dans des donn{\'e}es r{\'e}elles, le nombre de relations potentielles est {\'e}norme et les heuristiques souvent utilis{\'e}es pour distinguer de vraies relations de co-occurrences fortuites ne d{\'e}tectent pas les signaux faibles pourtant importants. Dans cet article, nous {\'e}tudions l{'}apport d{'}un mod{\`e}le de d{\'e}tection de relations, identifiant si un couple d{'}entit{\'e}s dans une phrase exprime ou non une relation, en tant qu{'}{\'e}tape pr{\'e}liminaire {\`a} la classification des relations. Notre mod{\`e}le s{'}appuie sur le plus court chemin de d{\'e}pendances entre deux entit{\'e}s, mod{\'e}lis{\'e} par un LSTM et combin{\'e} avec les types des entit{\'e}s. Sur la t{\^a}che de d{\'e}tection de relations, nous obtenons de meilleurs r{\'e}sultats qu{'}un mod{\`e}le {\'e}tat de l{'}art pour la classification de relations, avec une robustesse accrue aux relations in{\'e}dites. Nous montrons aussi qu{'}une d{\'e}tection binaire en amont d{'}un mod{\`e}le de classification am{\'e}liore significativement ce dernier.

PDF Abstract

Datasets


  Add Datasets introduced or used in this paper

Results from the Paper


  Submit results from this paper to get state-of-the-art GitHub badges and help the community compare results to other papers.

Methods