Extraction de relations neuronales par réduction du bruit intra-sentenciel et apprentissage par transfert

L'extraction de relations est cruciale pour l'achèvement et la construction des bases de connaissances, où les méthodes de supervision à distance sont largement utilisées pour extraire automatiquement des faits relationnels à partir des bases de connaissances existantes. Cependant, les ensembles de données construits automatiquement contiennent une grande quantité de phrases de qualité inférieure comportant des mots bruyants (noisy words), ce qui est négligé par les méthodes actuelles de supervision à distance, entraînant des précisions inacceptables. Pour atténuer ce problème, nous proposons une nouvelle approche de supervision à distance au niveau du mot pour l'extraction de relations. Nous construisons d'abord un Arbre Syntaxique Partiel (Sub-Tree Parse [STP]) afin d'éliminer les mots bruyants non pertinents aux relations. Ensuite, nous élaborons un réseau neuronal prenant en entrée l'arbre partiel tout en appliquant une attention entité-par-entité pour identifier les caractéristiques sémantiques importantes des mots relationnels dans chaque instance. Pour rendre notre modèle plus robuste face aux mots bruyants, nous initialisons notre réseau avec des connaissances a priori apprises à partir de la tâche connexe de classification d'entités par transfert d'apprentissage. Nous menons des expériences approfondies en utilisant les corpus du New York Times (NYT) et Freebase. Les résultats expérimentaux montrent que notre approche est efficace et améliore le domaine Précision/Rappel (Precision/Recall [PR]) de 0,35 à 0,39 par rapport aux travaux les plus récents.