Poser des questions efficaces et diverses : un cadre fondé sur la compréhension de lecture automatique pour une extraction conjointe d'entités et de relations

Les avancées récentes ont transformé la tâche d'extraction d'entités et de relations en une tâche de réponse à des questions à plusieurs tours (QA) et ont proposé une solution efficace fondée sur des modèles de compréhension de lecture automatique (MRC). Toutefois, ces approches utilisent une seule question pour représenter le sens des entités et des relations, ce qui s'avère intuitivement insuffisant en raison de la diversité des significations contextuelles. Par ailleurs, les modèles existants énumèrent toutes les catégories de relations afin de générer des questions, ce qui est inefficace et conduit facilement à des questions ambiguës. Dans cet article, nous améliorons le modèle existant d'extraction d'entités et de relations basé sur MRC grâce à une réponse à des questions diversifiées. Premièrement, nous introduisons un mécanisme de réponse à questions diversifiées pour détecter les segments d'entités, et concevons deux stratégies de sélection de réponses pour intégrer différentes réponses. Ensuite, nous proposons de prédire un sous-ensemble de relations potentielles et de filtrer celles qui sont non pertinentes, afin de générer efficacement des questions. Enfin, l'extraction d'entités et celle de relations sont intégrées de manière end-to-end et optimisées par apprentissage conjoint. Les résultats expérimentaux montrent que la méthode proposée surpasse significativement les modèles de référence, avec une amélioration du F1 des relations atteignant 62,1 % (+1,9 %) sur ACE05 et 71,9 % (+3,0 %) sur CoNLL04. Notre implémentation est disponible à l'adresse suivante : https://github.com/TanyaZhao/MRC4ERE.