Raisonnement fondé sur les graphes doubles pour l'extraction de relations à l'échelle du document

L'extraction de relations à l'échelle du document vise à extraire les relations entre entités au sein d'un même document. Contrairement à l'extraction de relations à l'échelle de la phrase, cette tâche nécessite un raisonnement s'étendant sur plusieurs phrases au sein du document. Dans cet article, nous proposons le Graph Aggregation-and-Inference Network (GAIN), un modèle fondé sur deux graphes distincts. GAIN construit d'abord un graphe hétérogène au niveau des mentions (hMG) afin de modéliser les interactions complexes entre différentes mentions à travers le document. Il construit également un graphe au niveau des entités (EG), sur lequel nous introduisons un nouveau mécanisme de raisonnement par chemins pour inférer les relations entre entités. Des expériences menées sur le jeu de données public DocRED montrent que GAIN atteint une amélioration significative des performances (gain de 2,85 sur le score F1) par rapport à l'état de l'art précédent. Le code source est disponible à l'adresse suivante : https://github.com/DreamInvoker/GAIN.