Modèles neuronaux pour l’extraction supervisée d’événements : état de l’art [Neural models for supervised event extraction: state of the art]

Modèles neuronaux pour l’extraction supervisée d’événements : état de l’art1 Dorian Kodelja — Romaric Besançon — Olivier Ferret CEA, LIST, Laboratoire Analyse Sémantique Texte et Image, Gif-sur-Yvette, F-91191, France. {dorian.kodelja,romaric.besancon,olivier.ferret}@cea.fr RÉSUMÉ. Cet article de synthèse se situe dans le contexte général de l’extraction d’information et se focalise plus particulièrement sur l’extraction d’événements à partir de textes. Récem- ment, les approches historiques fondées d’abord sur des règles lexico-syntaxiques puis sur des classifieurs supervisés ont laissé la place à des approches neuronales, à la fois plus intégrées et moins dépendantes de larges ensembles de traits linguistiques extraits a priori, ce qui per- met de limiter les phénomènes de propagation d’erreurs. Différentes architectures ont été ainsi développées en privilégiant le niveau phrastique, à l’instar des méthodes plus anciennes. Ce- pendant, la complexité de la tâche ne permettant pas de résoudre l’ensemble des ambiguïtés à ce niveau, nous présentons aussi plusieurs approches visant à l’améliorer : approches d’aug- mentation de données, jointes et globales. Enfin, nous proposons une synthèse des performances des différents choix de modélisation évalués sur le jeu de données ACE 2005. ABSTRACT. This survey takes place in the general context of information extraction and presents more particularly the successive approaches to supervised event extraction from texts. The first rule-based systems and the classical statistical methods use complex and domain-dependent representations that are prone to error propagation. In response to these problems, recent neural network systems using embeddings have linked their success to the absence of the pre- processing steps producing these errors. Among those approaches, different architectures have been proposed to solve the task at the sentence level. However, the task complexity hinders the ability to resolve all ambiguities at this level. Therefore, we identify three ways to enhance the local performance: data augmentation, joint and global inference. Finally, the different design choices presented are compared through an evaluation on the ACE 2005 dataset. MOTS-CLÉS : extraction d’information événementielle, réseaux de neurones. KEYWORDS: event information extraction, neural networks. 1. Cet article est une version remaniée et étendue de (Kodelja et al., 2017). TAL. Volume 60 – n◦ 1/2019, pages 13 à 37 14 TAL. Volume 60 – n◦ 1/2019 1. Introduction L’extraction d’information est sur un plan général un champ de recherche visant à extraire automatiquement des informations structurées à partir de données textuelles, sources d’informations pas ou peu structurées. Les premiers systèmes d’extraction d’information, développés manuellement pour un besoin précis dans un domaine spé- cifique, n’étaient en pratique pas réutilisables dans d’autres contextes. Le développe- ment des besoins dans des domaines multiples et impliquant différents types de docu- ments, que ce soient des articles dans le domaine biomédical, des rapports d’inspection dans le domaine industriel ou des dépêches d’agences dans le domaine de la presse, a conduit à la création de systèmes d’extraction d’information de plus en plus modu- laires et universels. Cette modularité a naturellement fait apparaître une structuration du processus d’extraction d’information en plusieurs étapes, présentées à la section 2, se caractérisant par l’extraction d’informations de plus en …

Content truncated to 500 words