Reconnaissance d'entités nommées comme analyse syntaxique dépendante

La reconnaissance d'entités nommées (Named Entity Recognition, NER) est une tâche fondamentale en traitement automatique du langage naturel, consistant à identifier les segments de texte qui font référence à des entités. La recherche en NER se concentre souvent uniquement sur des entités plates (NER plat), en ignorant le fait que les références aux entités peuvent être imbriquées, comme dans [Banque de [Chine]] (Finkel et Manning, 2009). Dans cet article, nous adoptons des idées issues de l'analyse syntaxique basée sur les graphes pour offrir à notre modèle une vue globale de l'entrée grâce à un modèle biaffine (Dozat et Manning, 2017). Ce modèle biaffine évalue les paires de mots de départ et de fin dans une phrase, ce qui nous permet d’explorer tous les segments possibles, permettant ainsi au modèle de prédire avec précision les entités nommées. Nous démontrons que ce modèle se distingue particulièrement bien tant pour la NER imbriquée que pour la NER plate, en évaluant sur 8 corpus et en atteignant des performances de state-of-the-art (SoTA) sur tous, avec des gains en précision allant jusqu’à 2,2 points de pourcentage.