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 )

Abstract

De nombreuses m\'ethodes d'extraction et de classification de relations ont \'et\'e propos\'ees et test\'ees sur des donn\'ees de r\'ef\'erence. Cependant, dans des donn\'ees r\'eelles, le nombre de relations potentielles est \'enorme et les heuristiques souvent utilis\'ees pour distinguer de vraies relations de co-occurrences fortuites ne d\'etectent pas les signaux faibles pourtant importants. Dans cet article, nous \'etudions l'apport d'un mod\`ele de d\'etection de relations, identifiant si un couple d'entit\'es dans une phrase exprime ou non une relation, en tant qu'\'etape pr\'eliminaire \`a la classification des relations. Notre mod\`ele s'appuie sur le plus court chemin de d\'ependances entre deux entit\'es, mod\'elis\'e par un LSTM et combin\'e avec les types des entit\'es. Sur la t\^ache de d\'etection de relations, nous obtenons de meilleurs r\'esultats qu'un mod\`ele \'etat de l'art pour la classification de relations, avec une robustesse accrue aux relations in\'edites. Nous montrons aussi qu'une d\'etection binaire en amont d'un mod\`ele de classification am\'eliore significativement ce dernier.

Tasks

Reproductions