Injection d'informations de base de connaissances dans une extraction conjointe d'entités et de relations et de résolution de coreférance en bout-en-bout

Nous considérons un modèle d'extraction d'information (IE) conjointe, qui résout simultanément la reconnaissance d'entités nommées, la résolution de coreférance et l'extraction de relations sur l'ensemble du document. Plus précisément, nous étudions comment intégrer des informations provenant d'une base de connaissances (KB) dans un tel modèle IE, à l'aide d'un lien d'entité non supervisé. Les représentations d'entités issues de la KB sont apprises à partir soit (i) de documents textuels hyperliés (Wikipedia), soit (ii) d'un graphe de connaissances (Wikidata), et se révèlent complémentaires dans l'amélioration des performances de l'IE. Les représentations des candidats de lien d'entité (EL) correspondants sont ajoutées aux représentations des segments textuels du document d'entrée, et nous expérimentons deux approches : (i) un moyennage pondéré des représentations des candidats EL basé sur leur priorité (dans Wikipedia), et (ii) une stratégie d'attention appliquée à la liste des candidats EL. Les résultats montrent une amélioration pouvant atteindre 5 % en score F1 pour les tâches IE évaluées sur deux jeux de données. Malgré les performances élevées du modèle basé sur le prior, notre analyse quantitative et qualitative met en évidence les avantages de l'approche fondée sur l'attention.