Intégration de contexte global par amorçage pour la détection d’événements - CEA - Commissariat à l’énergie atomique et aux énergies alternatives Accéder directement au contenu
Communication Dans Un Congrès Année : 2018

Integrating global context via bootstrapping for event detection

Intégration de contexte global par amorçage pour la détection d’événements

Résumé

Over the last few years, neural models developed for event extraction have reached an interesting level of results. However, their application is generally limited to sentences, which is sufficient for identifying certain types of events but too limited in terms of scope for disambiguating some occurrences of events. In this article, we propose to integrate in a convolutional neural network the representation of contexts beyond the level of sentences. This representation is built following a bootstrapping approach by exploiting an intra-sentential convolutional model. Within the evaluation framework of TAC 2017, we show that our global model significantlty outperforms the intra-sentential model while the two models are competitive with the results obtained by TAC 2017 participants. We furthermore analyze the gain of our proposed model through supplementary experiments.
Les approches neuronales obtiennent depuis plusieurs années des résultats intéressants en extraction d’événements. Cependant, les approches développées dans ce cadre se limitent généralement à un contexte phrastique. Or, si certains types d’événements sont aisément identifiables à ce niveau, l’exploitation d’indices présents dans d’autres phrases est parfois nécessaire pour permettre de désambiguïser des événements. Dans cet article, nous proposons ainsi l’intégration d’une représentation d’un contexte plus large pour améliorer l’apprentissage d’un réseau convolutif. Cette représentation est obtenue par amorçage en exploitant les résultats d’un premier modèle convolutif opérant au niveau phrastique. Dans le cadre d’une évaluation réalisée sur les données de la campagne TAC 2017, nous montrons que ce modèle global obtient un gain significatif par rapport au modèle local, ces deux modèles étant eux-mêmes compétitifs par rapport aux résultats de TAC 2017. Nous étudions également en détail le gain de performance de notre nouveau modèle au travers de plusieurs expériences complémentaires.
Fichier principal
Vignette du fichier
2018.jeptalnrecital-long.10.pdf (790.26 Ko) Télécharger le fichier
Origine : Fichiers éditeurs autorisés sur une archive ouverte

Dates et versions

cea-04363090 , version 1 (23-12-2023)

Identifiants

  • HAL Id : cea-04363090 , version 1

Citer

Dorian Kodelja, Romaric Besancon, Olivier Ferret. Intégration de contexte global par amorçage pour la détection d’événements. 25eme Conférence sur le Traitement Automatique des Langues Naturelles (CORIA-TALN-RJC 2018), May 2018, Rennes, France. pp.129-142. ⟨cea-04363090⟩
5 Consultations
2 Téléchargements

Partager

Gmail Facebook X LinkedIn More