RelDiff : Enrichissement des représentations de relations des graphes de connaissances pour la classification de la sensibilité

Les relations existant entre des entités peuvent constituer un indicateur fiable pour classer des informations sensibles, telles que les informations commercialement sensibles. Par exemple, la relation « personne-est-directeur-de-entreprise » peut indiquer si le salaire d’un individu doit être considéré comme une information personnelle sensible. Les représentations de telles relations sont généralement apprises à l’aide d’un graphe de connaissances afin de produire des embeddings pour les types de relations, généralisés à travers différentes paires d’entités. Toutefois, un type de relation peut ou non correspondre à une sensibilité selon les entités participant à cette relation. Par conséquent, les embeddings de relations généralisés s’avèrent généralement insuffisants pour classer efficacement les informations sensibles. Dans ce travail, nous proposons une nouvelle méthode de représentation conjointe des entités et des relations au sein d’un seul embedding, afin de mieux capturer les interactions entre les entités. De plus, nous démontrons que notre approche d’embedding entité-relations-entité permet d’améliorer significativement (test de McNemar, p < 0,05) l’efficacité de la classification de la sensibilité, par rapport aux approches de classification basées sur des embeddings de relations issus de la littérature (F1 de 0,426 contre 0,413).