Apprentissage de règles logiques pour l'extraction de relations à l'échelle du document

L'extraction de relations à l'échelle du document vise à identifier les relations entre entités au sein d'un document entier. Les travaux antérieurs visant à capturer les dépendances à longue portée se sont fortement appuyés sur des représentations implicites puissantes apprises grâce aux réseaux neuronaux (graphes), ce qui rend les modèles moins transparents. Pour relever ce défi, dans cet article, nous proposons LogiRE, un nouveau modèle probabiliste pour l'extraction de relations à l'échelle du document fondé sur l'apprentissage de règles logiques. LogiRE traite les règles logiques comme des variables latentes et se compose de deux modules : un générateur de règles et un extracteur de relations. Le générateur de règles produit des règles logiques potentiellement pertinentes pour les prédictions finales, tandis que l'extracteur de relations émet les prédictions finales à partir des règles générées. Ces deux modules peuvent être optimisés efficacement à l’aide de l’algorithme d’expectation-maximisation (EM). En intégrant des règles logiques dans les réseaux neuronaux, LogiRE permet non seulement de capturer explicitement les dépendances à longue portée, mais aussi d’améliorer la lisibilité du modèle. Les résultats expérimentaux montrent que LogiRE surpasse significativement plusieurs modèles de référence en termes de performance relationnelle (gain de 1,8 point sur le score F1) et de cohérence logique (score logique supérieur à 3,3). Le code est disponible à l’adresse suivante : https://github.com/rudongyu/LogiRE.