KGPool : Sélection dynamique de contexte de graphe de connaissances pour l’extraction de relations

Nous présentons une nouvelle méthode d'extraction de relations (RE) à partir d'une seule phrase, mappant la phrase et deux entités données à un fait canonique dans un graphe de connaissances (KG). En particulier, dans ce cadre hypothétique d'extraction de relations sententielles, le contexte d'une seule phrase est souvent peu dense. Cet article introduit la méthode KGPool pour aborder cette rareté, en élargissant dynamiquement le contexte avec des faits supplémentaires provenant du KG. Elle apprend la représentation de ces faits (alias d'entité, descriptions d'entité, etc.) en utilisant des méthodes neuronales, complétant ainsi le contexte sententiel. Contrairement aux méthodes existantes qui utilisent statiquement tous les faits élargis, KGPool conditionne cet élargissement à la phrase. Nous étudions l'efficacité de KGPool en l'évaluant avec différents modèles neuronaux et KGs (Wikidata et NYT Freebase). Notre évaluation expérimentale sur des jeux de données standards montre que l'intégration de la représentation KGPool dans un réseau neuronal de graphe rend la méthode globale significativement plus précise que les méthodes de pointe actuelles.