Inférence à vue multiple pour l'extraction de relations avec des connaissances incertaines

Les graphes de connaissances (KG) sont largement utilisés pour faciliter les tâches d’extraction de relations (RE). Alors que la plupart des méthodes précédentes de RE se concentrent sur l’exploitation de graphes de connaissances déterministes, les graphes de connaissances incertains — qui attribuent une note de confiance à chaque instance relationnelle — peuvent fournir des distributions a priori sur les faits relationnels, constituant ainsi un savoir externe précieux pour les modèles d’extraction de relations. Ce papier propose d’exploiter cette connaissance incertaine afin d’améliorer l’extraction de relations. Plus précisément, nous introduisons ProBase, un graphe de connaissances incertain qui indique dans quelle mesure une entité cible appartient à un concept, dans notre architecture d’extraction de relations. Nous concevons ensuite un nouveau cadre d’inférence multi-vue pour intégrer de manière systématique le contexte local et les connaissances globales à travers trois perspectives : la vue mention, la vue entité et la vue concept. Les résultats expérimentaux montrent que notre modèle atteint des performances compétitives à la fois sur les tâches d’extraction de relations au niveau de la phrase et au niveau du document, confirmant ainsi l’efficacité de l’introduction de connaissances incertaines ainsi que du cadre d’inférence multi-vue que nous avons conçu.