Modélisation neuronale pour les entités nommées et la morphologie (NEMO^2)

La reconnaissance d'entités nommées (NER) est une tâche fondamentale en traitement du langage naturel (NLP), généralement formulée comme une classification sur une séquence de tokens. Les langues morphologiquement riches (MRLs) posent un défi à cette formulation de base, car les limites des entités nommées ne coïncident pas nécessairement avec celles des tokens, mais respectent plutôt les frontières morphologiques. Pour aborder le problème du NER dans les MRLs, il convient donc de répondre à deux questions fondamentales : quelles sont les unités de base à étiqueter, et comment ces unités peuvent-elles être détectées et classifiées dans des contextes réalistes, c’est-à-dire lorsque aucune morphologie annotée (« gold morphology ») n’est disponible ? Nous étudions empiriquement ces questions à l’aide d’un nouveau benchmark NER, doté d’annotations parallèles au niveau des tokens et au niveau des morphèmes, que nous avons développé pour l’hébreu moderne, une langue morphologiquement riche et ambiguë. Nos résultats montrent qu’une modélisation explicite des frontières morphologiques améliore significativement les performances du NER, et qu’une nouvelle architecture hybride, dans laquelle le NER précède et réduit la décomposition morphologique, surpasse largement le pipeline classique où la décomposition morphologique précède strictement le NER, établissant ainsi une nouvelle référence de performance pour les tâches de NER et de décomposition morphologique en hébreu.