Dorian Kodelja*, Romaric Besançon** et Olivier Ferret***
*CEA, LIST, Laboratoire Analyse Sémantique Texte et Image
Résumé
Cet article de synthèse se situe dans le contexte général de l’extraction d’information
et se focalise plus particulièrement sur l’extraction d’événements à partir de textes. Récemment,
les approches historiques fondées d’abord sur des règles lexico-syntaxiques puis sur des
classifieurs supervisés ont laissé la place à des approches neuronales, à la fois plus intégrées
et moins dépendantes de larges ensembles de traits linguistiques extraits a priori, ce qui permet
de limiter les phénomènes de propagation d’erreurs. Différentes architectures ont été ainsi
développées en privilégiant le niveau phrastique, à l’instar des méthodes plus anciennes. Cependant,
la complexité de la tâche ne permettant pas de résoudre l’ensemble des ambiguïtés à
ce niveau, nous présentons aussi plusieurs approches visant à l’améliorer : approches d’augmentation
de données, jointes et globales. Enfin, nous proposons une synthèse des performances
des différents choix de modélisation évalués sur le jeu de données ACE 2005.
et se focalise plus particulièrement sur l’extraction d’événements à partir de textes. Récemment,
les approches historiques fondées d’abord sur des règles lexico-syntaxiques puis sur des
classifieurs supervisés ont laissé la place à des approches neuronales, à la fois plus intégrées
et moins dépendantes de larges ensembles de traits linguistiques extraits a priori, ce qui permet
de limiter les phénomènes de propagation d’erreurs. Différentes architectures ont été ainsi
développées en privilégiant le niveau phrastique, à l’instar des méthodes plus anciennes. Cependant,
la complexité de la tâche ne permettant pas de résoudre l’ensemble des ambiguïtés à
ce niveau, nous présentons aussi plusieurs approches visant à l’améliorer : approches d’augmentation
de données, jointes et globales. Enfin, nous proposons une synthèse des performances
des différents choix de modélisation évalués sur le jeu de données ACE 2005.
Résumé (en anglais)
This survey takes place in the general context of information extraction and presents
more particularly the successive approaches to supervised event extraction from texts. The first
rule-based systems and the classical statistical methods use complex and domain-dependent
representations that are prone to error propagation. In response to these problems, recent
neural network systems using embeddings have linked their success to the absence of the preprocessing
steps producing these errors. Among those approaches, different architectures have
been proposed to solve the task at the sentence level. However, the task complexity hinders the
ability to resolve all ambiguities at this level. Therefore, we identify three ways to enhance the
local performance: data augmentation, joint and global inference. Finally, the different design
choices presented are compared through an evaluation on the ACE 2005 dataset.
more particularly the successive approaches to supervised event extraction from texts. The first
rule-based systems and the classical statistical methods use complex and domain-dependent
representations that are prone to error propagation. In response to these problems, recent
neural network systems using embeddings have linked their success to the absence of the preprocessing
steps producing these errors. Among those approaches, different architectures have
been proposed to solve the task at the sentence level. However, the task complexity hinders the
ability to resolve all ambiguities at this level. Therefore, we identify three ways to enhance the
local performance: data augmentation, joint and global inference. Finally, the different design
choices presented are compared through an evaluation on the ACE 2005 dataset.
Paru dans
Document
Rank
1