Int\'egration de contexte global par amor pour la d\'etection d'\'ev\'enements (Integrating global context via bootstrapping for event detection)

Abstract

Les approches neuronales obtiennent depuis plusieurs ann\'ees des r\'esultats int\'eressants en extraction d'\'ev\'enements. Cependant, les approches d\'evelopp\'ees dans ce cadre se limitent g\'en\'eralement \`a un contexte phrastique. Or, si certains types d'\'ev\'enements sont ais\'ement identifiables \`a ce niveau, l'exploitation d'indices pr\'esents dans d'autres phrases est parfois n\'ecessaire pour permettre de d\'esambigu\" ser des \'ev\'enements. Dans cet article, nous proposons ainsi l'int\'egration d'une repr\'esentation d'un contexte plus large pour am\'eliorer l'apprentissage d'un r\'eseau convolutif. Cette repr\'esentation est obtenue par amorcage en exploitant les r\'esultats d'un premier mod\`ele convolutif op\'erant au niveau phrastique. Dans le cadre d'une \'evaluation r\'ealis\'ee sur les donn\'ees de la campagne TAC 2017, nous montrons que ce mod\`ele global obtient un gain significatif par rapport au mod\`ele local, ces deux mod\`eles \'etant eux-m\^emes comp\'etitifs par rapport aux r\'esultats de TAC 2017. Nous \'etudions \'egalement en d\'etail le gain de performance de notre nouveau mod\`ele au travers de plusieurs exp\'eriences compl\'ementaires.

Tasks

Reproductions