Un Modèle de Transition Neuronal pour la Reconnaissance de Mentions Emboîtées

Il est courant que les mentions d'entités contiennent d'autres mentions de manière récursive. Cet article introduit une méthode de transition évolutive pour modéliser la structure imbriquée des mentions. Nous commençons par cartographier une phrase comportant des mentions imbriquées sur une forêt désignée où chaque mention correspond à un constituant de la forêt. Notre système basé sur le décalage-réduction apprend ensuite à construire la structure de la forêt de manière ascendante grâce à une séquence d'actions dont la longueur maximale est garantie être trois fois celle de la phrase. En s'appuyant sur l'architecture Stack-LSTM, qui représente efficacement et efficacement les états du système dans un espace continu, notre système intègre également un composant basé sur les caractères pour capturer les motifs au niveau des lettres. Notre modèle obtient des résultats d'état de l'art sur les ensembles de données ACE, démontrant son efficacité dans la détection des mentions imbriquées.