Exploitation des relations unaires par apprentissage empilé pour l'extraction de relations

Les modèles d'extraction de relations traitent généralement le problème de détermination de l'existence d'une relation entre une paire d'entités comme une décision unique. Toutefois, ces modèles peinent souvent à gérer des constructions linguistiques longues ou complexes, dans lesquelles deux entités ne sont pas directement liées, situation fréquente dans les publications scientifiques. Nous proposons une approche novatrice qui décompose une relation binaire en deux relations unaires, capturant séparément le rôle de chaque argument dans la relation. Nous avons conçu un modèle d'apprentissage en cascade intégrant des informations provenant à la fois d'extracteurs de relations unaires et binaire afin de déterminer si une relation existe effectivement entre deux entités. Nos résultats expérimentaux montrent que cette approche surpasser plusieurs extracteurs de relations compétitifs sur un nouveau corpus de publications en sciences planétaires, ainsi que sur un jeu de données de référence dans le domaine de la biologie.