Reconnaissance d'entités nommées basée sur LSTM-CRF guidée par les dépendances

Les structures d'arbre de dépendance captent les relations syntaxiques et à longue portée entre les mots au sein d'une phrase. Les relations syntaxiques (par exemple, sujet nominal, complément d'objet) peuvent potentiellement permettre d'inferer l'existence de certaines entités nommées. En outre, les performances d'un reconnaissseur d'entités nommées (NER) peuvent bénéficier des dépendances à longue portée entre les mots présentes dans les arbres de dépendance. Dans ce travail, nous proposons un modèle simple mais efficace, basé sur un LSTM-CRF guidé par les dépendances, afin d'encoder des arbres de dépendance complets et de capturer les propriétés mentionnées ci-dessus pour la tâche de reconnaissance d'entités nommées. Les statistiques sur les données montrent des corrélations fortes entre les types d'entités et les relations de dépendance. Nous menons des expériences approfondies sur plusieurs jeux de données standards et démontrons l'efficacité du modèle proposé, qui améliore significativement le NER et atteint des performances de pointe. Notre analyse révèle que les améliorations importantes proviennent principalement des relations de dépendance et des interactions à longue portée fournies par les arbres de dépendance.