Extraction de relations neurale bout-en-bout avec optimisation globale

Les réseaux de neurones ont montré des résultats prometteurs pour l’extraction de relations. Les modèles les plus avancés traitent cette tâche comme un problème end-to-end, résolu de manière incrémentielle à l’aide d’un classificateur local. Toutefois, les travaux antérieurs basés sur des modèles statistiques ont démontré que l’optimisation globale permet d’obtenir de meilleures performances que la classification locale. Nous proposons un modèle neuronal optimisé de manière globale pour l’extraction de relations end-to-end, en introduisant de nouvelles caractéristiques basées sur les LSTM afin d’améliorer l’apprentissage des représentations contextuelles. En outre, nous présentons une méthode originale pour intégrer des informations syntaxiques afin de faciliter l’apprentissage global, tout en nécessitant peu de connaissances préalables sur les grammaires syntaxiques, ce qui le rend facile à étendre. Les résultats expérimentaux montrent que notre modèle proposé est hautement efficace, atteignant les meilleures performances sur deux benchmarks standards.