HyperAIHyperAI
il y a 17 jours

Raisonnement avec raffinement de structure latente pour l'extraction de relations au niveau du document

Guoshun Nan, Zhijiang Guo, Ivan Sekulić, Wei Lu
Raisonnement avec raffinement de structure latente pour l'extraction de relations au niveau du document
Résumé

L'extraction de relations à l'échelle du document nécessite l'intégration d'informations à l'intérieur et entre plusieurs phrases d'un même document, ainsi que la capture d'interactions complexes entre des entités situées dans des phrases différentes. Toutefois, l'agrégation efficace des informations pertinentes au sein du document reste une question de recherche difficile. Les approches existantes construisent des graphes statiques à l'échelle du document à partir d'arbres syntaxiques, de références co-occurentes ou de règles heuristiques issues du texte non structuré afin de modéliser les dépendances. Contrairement aux méthodes précédentes, qui peuvent ne pas être capables de capturer des interactions non locales riches pour l'inférence, nous proposons un nouveau modèle qui permet une raisonnement relationnel entre phrases en induisant automatiquement un graphe latent à l'échelle du document. Nous avons également développé une stratégie de raffinement qui permet au modèle d'agréger progressivement les informations pertinentes pour une inférence à plusieurs sauts. Plus précisément, notre modèle atteint un score F1 de 59,05 sur un grand jeu de données à l'échelle du document (DocRED), surpassant significativement les résultats antérieurs, et établit également de nouveaux records sur les jeux de données CDR et GDA. En outre, des analyses approfondies montrent que le modèle est capable de découvrir des relations inter-sentences plus précises.

Raisonnement avec raffinement de structure latente pour l'extraction de relations au niveau du document | Articles de recherche récents | HyperAI