@inproceedings{mallart-etal-2020-relation,
title = "Relation, es-tu l{\`a} ? D{\'e}tection de relations par {LSTM} pour am{\'e}liorer l`extraction de relations (Relation, are you there ? {LSTM}-based relation detection to improve knowledge extraction )",
author = "Mallart, Cyrielle and
Le Nouy, Michel and
Gravier, Guillaume and
S{\'e}billot, Pascale",
editor = "Benzitoun, Christophe and
Braud, Chlo{\'e} and
Huber, Laurine and
Langlois, David and
Ouni, Slim and
Pogodalla, Sylvain and
Schneider, St{\'e}phane",
booktitle = "Actes de la 6e conf{\'e}rence conjointe Journ{\'e}es d'{\'E}tudes sur la Parole (JEP, 33e {\'e}dition), Traitement Automatique des Langues Naturelles (TALN, 27e {\'e}dition), Rencontre des {\'E}tudiants Chercheurs en Informatique pour le Traitement Automatique des Langues (R{\'E}CITAL, 22e {\'e}dition). Volume 2 : Traitement Automatique des Langues Naturelles",
month = "6",
year = "2020",
address = "Nancy, France",
publisher = "ATALA et AFCP",
url = "https://aclanthology.org/2020.jeptalnrecital-taln.27/",
pages = "279--287",
language = "fra",
abstract = "De nombreuses m{\'e}thodes d`extraction et de classification de relations ont {\'e}t{\'e} propos{\'e}es et test{\'e}es sur des donn{\'e}es de r{\'e}f{\'e}rence. Cependant, dans des donn{\'e}es r{\'e}elles, le nombre de relations potentielles est {\'e}norme et les heuristiques souvent utilis{\'e}es pour distinguer de vraies relations de co-occurrences fortuites ne d{\'e}tectent pas les signaux faibles pourtant importants. Dans cet article, nous {\'e}tudions l`apport d`un mod{\`e}le de d{\'e}tection de relations, identifiant si un couple d`entit{\'e}s dans une phrase exprime ou non une relation, en tant qu'{\'e}tape pr{\'e}liminaire {\`a} la classification des relations. Notre mod{\`e}le s`appuie sur le plus court chemin de d{\'e}pendances entre deux entit{\'e}s, mod{\'e}lis{\'e} par un LSTM et combin{\'e} avec les types des entit{\'e}s. Sur la t{\^a}che de d{\'e}tection de relations, nous obtenons de meilleurs r{\'e}sultats qu`un mod{\`e}le {\'e}tat de l`art pour la classification de relations, avec une robustesse accrue aux relations in{\'e}dites. Nous montrons aussi qu`une d{\'e}tection binaire en amont d`un mod{\`e}le de classification am{\'e}liore significativement ce dernier."
}<?xml version="1.0" encoding="UTF-8"?>
<modsCollection xmlns="http://www.loc.gov/mods/v3">
<mods ID="mallart-etal-2020-relation">
<titleInfo>
<title>Relation, es-tu là ? Détection de relations par LSTM pour améliorer l‘extraction de relations (Relation, are you there ? LSTM-based relation detection to improve knowledge extraction )</title>
</titleInfo>
<name type="personal">
<namePart type="given">Cyrielle</namePart>
<namePart type="family">Mallart</namePart>
<role>
<roleTerm authority="marcrelator" type="text">author</roleTerm>
</role>
</name>
<name type="personal">
<namePart type="given">Michel</namePart>
<namePart type="family">Le Nouy</namePart>
<role>
<roleTerm authority="marcrelator" type="text">author</roleTerm>
</role>
</name>
<name type="personal">
<namePart type="given">Guillaume</namePart>
<namePart type="family">Gravier</namePart>
<role>
<roleTerm authority="marcrelator" type="text">author</roleTerm>
</role>
</name>
<name type="personal">
<namePart type="given">Pascale</namePart>
<namePart type="family">Sébillot</namePart>
<role>
<roleTerm authority="marcrelator" type="text">author</roleTerm>
</role>
</name>
<originInfo>
<dateIssued>2020-06</dateIssued>
</originInfo>
<typeOfResource>text</typeOfResource>
<language>
<languageTerm type="text">fra</languageTerm>
</language>
<relatedItem type="host">
<titleInfo>
<title>Actes de la 6e conférence conjointe Journées d’Études sur la Parole (JEP, 33e édition), Traitement Automatique des Langues Naturelles (TALN, 27e édition), Rencontre des Étudiants Chercheurs en Informatique pour le Traitement Automatique des Langues (RÉCITAL, 22e édition). Volume 2 : Traitement Automatique des Langues Naturelles</title>
</titleInfo>
<name type="personal">
<namePart type="given">Christophe</namePart>
<namePart type="family">Benzitoun</namePart>
<role>
<roleTerm authority="marcrelator" type="text">editor</roleTerm>
</role>
</name>
<name type="personal">
<namePart type="given">Chloé</namePart>
<namePart type="family">Braud</namePart>
<role>
<roleTerm authority="marcrelator" type="text">editor</roleTerm>
</role>
</name>
<name type="personal">
<namePart type="given">Laurine</namePart>
<namePart type="family">Huber</namePart>
<role>
<roleTerm authority="marcrelator" type="text">editor</roleTerm>
</role>
</name>
<name type="personal">
<namePart type="given">David</namePart>
<namePart type="family">Langlois</namePart>
<role>
<roleTerm authority="marcrelator" type="text">editor</roleTerm>
</role>
</name>
<name type="personal">
<namePart type="given">Slim</namePart>
<namePart type="family">Ouni</namePart>
<role>
<roleTerm authority="marcrelator" type="text">editor</roleTerm>
</role>
</name>
<name type="personal">
<namePart type="given">Sylvain</namePart>
<namePart type="family">Pogodalla</namePart>
<role>
<roleTerm authority="marcrelator" type="text">editor</roleTerm>
</role>
</name>
<name type="personal">
<namePart type="given">Stéphane</namePart>
<namePart type="family">Schneider</namePart>
<role>
<roleTerm authority="marcrelator" type="text">editor</roleTerm>
</role>
</name>
<originInfo>
<publisher>ATALA et AFCP</publisher>
<place>
<placeTerm type="text">Nancy, France</placeTerm>
</place>
</originInfo>
<genre authority="marcgt">conference publication</genre>
</relatedItem>
<abstract>De nombreuses méthodes d‘extraction et de classification de relations ont été proposées et testées sur des données de référence. Cependant, dans des données réelles, le nombre de relations potentielles est énorme et les heuristiques souvent utilisées pour distinguer de vraies relations de co-occurrences fortuites ne détectent pas les signaux faibles pourtant importants. Dans cet article, nous étudions l‘apport d‘un modèle de détection de relations, identifiant si un couple d‘entités dans une phrase exprime ou non une relation, en tant qu’étape préliminaire à la classification des relations. Notre modèle s‘appuie sur le plus court chemin de dépendances entre deux entités, modélisé par un LSTM et combiné avec les types des entités. Sur la tâche de détection de relations, nous obtenons de meilleurs résultats qu‘un modèle état de l‘art pour la classification de relations, avec une robustesse accrue aux relations inédites. Nous montrons aussi qu‘une détection binaire en amont d‘un modèle de classification améliore significativement ce dernier.</abstract>
<identifier type="citekey">mallart-etal-2020-relation</identifier>
<location>
<url>https://aclanthology.org/2020.jeptalnrecital-taln.27/</url>
</location>
<part>
<date>2020-6</date>
<extent unit="page">
<start>279</start>
<end>287</end>
</extent>
</part>
</mods>
</modsCollection>
%0 Conference Proceedings
%T Relation, es-tu là ? Détection de relations par LSTM pour améliorer l‘extraction de relations (Relation, are you there ? LSTM-based relation detection to improve knowledge extraction )
%A Mallart, Cyrielle
%A Le Nouy, Michel
%A Gravier, Guillaume
%A Sébillot, Pascale
%Y Benzitoun, Christophe
%Y Braud, Chloé
%Y Huber, Laurine
%Y Langlois, David
%Y Ouni, Slim
%Y Pogodalla, Sylvain
%Y Schneider, Stéphane
%S Actes de la 6e conférence conjointe Journées d’Études sur la Parole (JEP, 33e édition), Traitement Automatique des Langues Naturelles (TALN, 27e édition), Rencontre des Étudiants Chercheurs en Informatique pour le Traitement Automatique des Langues (RÉCITAL, 22e édition). Volume 2 : Traitement Automatique des Langues Naturelles
%D 2020
%8 June
%I ATALA et AFCP
%C Nancy, France
%G fra
%F mallart-etal-2020-relation
%X De nombreuses méthodes d‘extraction et de classification de relations ont été proposées et testées sur des données de référence. Cependant, dans des données réelles, le nombre de relations potentielles est énorme et les heuristiques souvent utilisées pour distinguer de vraies relations de co-occurrences fortuites ne détectent pas les signaux faibles pourtant importants. Dans cet article, nous étudions l‘apport d‘un modèle de détection de relations, identifiant si un couple d‘entités dans une phrase exprime ou non une relation, en tant qu’étape préliminaire à la classification des relations. Notre modèle s‘appuie sur le plus court chemin de dépendances entre deux entités, modélisé par un LSTM et combiné avec les types des entités. Sur la tâche de détection de relations, nous obtenons de meilleurs résultats qu‘un modèle état de l‘art pour la classification de relations, avec une robustesse accrue aux relations inédites. Nous montrons aussi qu‘une détection binaire en amont d‘un modèle de classification améliore significativement ce dernier.
%U https://aclanthology.org/2020.jeptalnrecital-taln.27/
%P 279-287
Markdown (Informal)
[Relation, es-tu là ? Détection de relations par LSTM pour améliorer l’extraction de relations (Relation, are you there ? LSTM-based relation detection to improve knowledge extraction )](https://aclanthology.org/2020.jeptalnrecital-taln.27/) (Mallart et al., JEP/TALN/RECITAL 2020)
ACL
- Cyrielle Mallart, Michel Le Nouy, Guillaume Gravier, and Pascale Sébillot. 2020. Relation, es-tu là ? Détection de relations par LSTM pour améliorer l’extraction de relations (Relation, are you there ? LSTM-based relation detection to improve knowledge extraction ). In Actes de la 6e conférence conjointe Journées d'Études sur la Parole (JEP, 33e édition), Traitement Automatique des Langues Naturelles (TALN, 27e édition), Rencontre des Étudiants Chercheurs en Informatique pour le Traitement Automatique des Langues (RÉCITAL, 22e édition). Volume 2 : Traitement Automatique des Langues Naturelles, pages 279–287, Nancy, France. ATALA et AFCP.