Learning a hierarchy of specialized pairwise models for coreference resolution (Apprentissage d’une hiérarchie de modèles à paires spécialisés pour la résolution de la coréférence) [in French]

Apprentissage d’une hiérarchie de modèles à paires spécialisés pour la résolution de la coréférence Emmanuel Lassalle1 Pascal Denis2 (1) Alpage : INRIA - Université Paris Diderot, Sorbonne Paris Cité (2) Magnet : INRIA Nord Lille Europe - Université de Lille LIFL emmanuel.lassalle@ens-lyon.org, pascal.denis@inria.fr RÉSUMÉ Nous proposons une nouvelle méthode pour améliorer significativement la performance des modèles à paires de mentions pour la résolution de la coréférence. Étant donné un ensemble d’indicateurs, notre méthode apprend à séparer au mieux des types de paires de mentions en classes d’équivalence, chacune de celles-ci donnant lieu à un modèle de classification spécifique. La procédure algorithmique proposée trouve le meilleur espace de traits (créé à partir de combinaisons de traits élémentaires et d’indicateurs) pour discriminer les paires de mentions coréférentielles. Bien que notre approche explore un très vaste ensemble d’espaces de trait, elle reste efficace en exploitant la structure des hiérarchies construites à partir des indicateurs. Nos expériences sur les données anglaises de la CoNLL-2012 Shared Task indiquent que notre méthode donne des gains de performance par rapport au modèle initial utilisant seulement les traits élémentaires, et ce, quelque soit la méthode de formation des chaînes ou la métrique d’évaluation choisie. Notre meilleur système obtient une moyenne de 67.2 en F1-mesure MUC, B3 et CEAF ce qui, malgré sa simplicité, le situe parmi les meilleurs systèmes testés sur ces données. ABSTRACT Learning a hierarchy of specialized pairwise models for coreference resolution This paper proposes a new method for significantly improving the performance of pairwise coreference models. Given a set of indicators, our method learns how to best separate types of mention pairs into equivalence classes for which we construct distinct classification models. In effect, our approach finds the best feature space (derived from a base feature set and indicator set) for discriminating coreferential mention pairs. Although our approach explores a very large space of possible features spaces, it remains tractable by exploiting the structure of the hierarchies built from the indicators. Our experiments on the CoNLL-2012 shared task English datasets indicate that our method is robust to different clustering strategies and evaluation metrics, showing large and consistent improvements over a single pairwise model using the same base features. Our best system obtains 67.2 of average F1 over MUC, B3, and CEAF which, despite its simplicity, places it among the best performing systems on these datasets. MOTS-CLÉS : résolution de la coréférence, apprentissage automatique. KEYWORDS: coreference resolution, machine learning. TALN-RÉCITAL 2013, 17-21 Juin, Les Sables d’Olonne 118 c￿ ATALA 1 Introduction La résolution de la coréférence consiste à partitionner une séquence de syntagmes nominaux (ou mentions) apparaissant dans un texte en un ensemble d’entités qui partagent chacune le même référent. Une approche désormais classique pour résoudre cette tâche consiste à la diviser en deux étapes : d’abord, on définit un modèle pour traiter les relations de coréférence indépendamment les unes des autres, en général via un classifieur binaire détectant les mentions coréférentielles. Ensuite, les liens détectés sont regroupés en clusters par un décodeur pour former une …

Content truncated to 500 words