File size: 93,711 Bytes
6fa4bc9 | 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160 161 162 163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180 181 182 183 184 185 186 187 188 189 190 191 192 193 194 195 196 197 198 199 200 201 202 203 204 205 206 207 208 209 210 211 212 213 214 215 216 217 218 219 220 221 222 223 224 225 226 227 228 229 230 231 232 233 234 235 236 237 238 239 240 241 242 243 244 245 246 247 248 249 250 251 252 253 254 255 256 257 258 259 260 261 262 263 264 265 266 267 268 269 270 271 272 273 274 275 276 277 278 279 280 281 282 283 284 285 286 287 288 289 290 291 292 293 294 295 296 297 298 299 300 301 302 303 304 305 306 307 308 309 310 311 312 313 314 315 316 317 318 319 320 321 322 323 324 325 326 327 328 329 330 331 332 333 334 335 336 337 338 339 340 341 342 343 344 345 346 347 348 349 350 351 352 353 354 355 356 357 358 359 360 361 362 363 364 365 366 367 368 369 370 371 372 373 374 375 376 377 378 379 380 381 382 383 384 385 386 387 388 389 390 391 392 393 394 395 396 397 398 399 400 401 402 403 404 405 406 407 408 409 410 411 412 413 414 415 416 417 418 419 420 421 422 423 424 425 426 427 428 429 430 431 432 433 434 435 436 437 438 439 440 441 442 443 444 445 446 447 448 449 450 451 452 453 454 455 456 457 458 459 460 461 462 463 464 465 466 467 468 469 470 471 472 473 474 475 476 477 478 479 480 481 482 483 484 485 486 487 488 489 490 491 492 493 494 495 496 497 498 499 500 501 502 503 504 505 506 507 508 509 510 511 512 513 514 515 516 517 518 519 520 521 522 523 524 525 526 527 528 529 530 531 532 533 534 535 536 537 538 539 540 541 542 543 544 545 546 547 548 549 550 551 552 553 554 555 556 557 558 559 560 561 562 563 564 565 566 567 568 569 570 571 572 573 574 575 576 577 578 579 580 581 582 583 584 585 586 587 588 589 590 591 592 593 594 595 596 597 598 599 600 601 602 603 604 605 606 607 608 609 610 611 612 613 614 615 616 617 618 619 620 621 622 623 624 625 626 627 628 629 630 631 632 633 634 635 636 637 638 639 640 641 642 643 644 645 646 647 648 649 650 651 652 653 654 655 656 657 658 659 660 661 662 663 664 665 666 667 668 669 670 671 672 673 674 675 676 677 678 679 680 681 682 683 684 685 686 687 688 689 690 691 692 693 694 695 696 697 698 699 700 701 702 703 704 705 706 707 708 709 710 711 712 713 714 715 716 717 718 719 720 721 722 723 724 725 726 727 728 729 730 731 732 733 734 735 736 737 738 739 740 741 742 743 744 745 746 747 748 749 750 751 752 753 754 755 756 757 758 759 760 761 762 763 764 765 766 767 768 769 770 771 772 773 774 775 776 777 778 779 780 781 782 783 784 785 786 787 788 789 790 791 792 793 794 795 796 797 798 799 800 801 802 803 804 805 806 807 808 809 810 811 812 813 814 815 816 817 818 819 820 821 822 823 824 825 826 827 828 829 830 831 832 833 834 835 836 837 838 839 840 841 842 843 844 845 846 847 848 849 850 851 852 853 854 855 856 857 858 859 860 861 862 863 864 865 866 867 868 869 870 871 872 873 874 875 876 877 878 879 880 881 882 883 884 885 886 887 888 889 890 891 892 893 894 895 896 897 898 899 900 901 902 903 904 905 906 907 908 909 910 911 912 913 914 915 916 917 918 919 920 921 922 923 924 925 926 927 928 929 930 931 932 933 934 935 936 937 938 939 940 941 942 943 944 945 946 947 948 949 950 951 952 953 954 955 956 957 958 959 960 961 962 963 964 965 966 967 968 969 970 971 972 973 974 975 976 977 978 979 980 981 982 983 984 985 986 987 988 989 990 991 992 993 994 995 996 997 998 999 1000 1001 1002 1003 1004 1005 1006 1007 1008 1009 1010 1011 1012 1013 1014 1015 1016 1017 1018 1019 1020 1021 1022 1023 1024 1025 1026 1027 1028 1029 1030 1031 1032 1033 1034 1035 1036 1037 1038 1039 1040 1041 1042 1043 1044 1045 1046 1047 1048 1049 1050 1051 1052 1053 1054 1055 1056 1057 1058 1059 1060 1061 1062 1063 1064 1065 1066 1067 1068 1069 1070 1071 1072 1073 1074 1075 1076 1077 1078 1079 1080 1081 1082 1083 1084 1085 1086 1087 1088 1089 1090 1091 1092 1093 1094 1095 1096 1097 1098 1099 1100 1101 1102 1103 1104 1105 1106 1107 1108 1109 1110 1111 1112 1113 1114 1115 1116 1117 1118 1119 1120 1121 1122 1123 1124 1125 1126 1127 1128 1129 1130 1131 1132 1133 1134 1135 1136 1137 1138 1139 1140 1141 1142 1143 1144 1145 1146 1147 1148 1149 1150 1151 1152 1153 1154 1155 1156 1157 1158 1159 1160 1161 1162 1163 1164 1165 1166 1167 1168 1169 1170 1171 1172 1173 1174 1175 1176 1177 1178 1179 1180 1181 1182 1183 1184 1185 1186 1187 1188 1189 1190 1191 1192 1193 1194 1195 1196 1197 1198 1199 1200 1201 1202 1203 1204 1205 1206 1207 1208 1209 1210 1211 1212 1213 1214 1215 1216 1217 1218 1219 1220 1221 1222 1223 1224 1225 1226 1227 1228 1229 1230 1231 1232 1233 1234 1235 1236 1237 1238 1239 1240 1241 1242 1243 1244 1245 1246 1247 1248 1249 1250 1251 1252 1253 1254 1255 1256 1257 1258 1259 1260 1261 1262 1263 1264 1265 1266 1267 1268 1269 1270 1271 1272 1273 1274 1275 1276 1277 1278 1279 1280 1281 1282 1283 1284 1285 1286 1287 1288 1289 1290 1291 1292 1293 1294 1295 1296 1297 1298 1299 1300 1301 1302 1303 1304 1305 1306 1307 1308 1309 1310 1311 1312 1313 1314 1315 1316 1317 1318 1319 1320 1321 1322 1323 1324 1325 1326 1327 1328 1329 1330 1331 1332 1333 1334 1335 1336 1337 1338 1339 1340 1341 1342 1343 1344 1345 1346 1347 1348 1349 1350 1351 1352 1353 1354 1355 1356 1357 1358 1359 1360 1361 1362 1363 1364 1365 1366 1367 1368 1369 1370 1371 1372 1373 1374 1375 1376 1377 1378 1379 1380 1381 1382 1383 1384 1385 1386 1387 1388 1389 1390 1391 1392 1393 1394 1395 1396 1397 1398 1399 1400 1401 1402 1403 1404 1405 1406 1407 1408 1409 1410 1411 1412 1413 1414 1415 1416 1417 1418 1419 1420 1421 1422 1423 1424 1425 1426 1427 1428 1429 1430 1431 1432 1433 1434 1435 1436 1437 1438 1439 1440 1441 1442 1443 1444 1445 1446 1447 1448 1449 1450 1451 1452 1453 1454 1455 1456 1457 1458 | {
"paper_id": "F13-1026",
"header": {
"generated_with": "S2ORC 1.0.0",
"date_generated": "2023-01-19T09:41:34.401679Z"
},
"title": "Regroupement s\u00e9mantique de relations pour l'extraction d'information non supervis\u00e9e",
"authors": [
{
"first": "Wei",
"middle": [],
"last": "Wang",
"suffix": "",
"affiliation": {
"laboratory": "Laboratoire Vision et Ing\u00e9nierie des Contenus",
"institution": "LIST",
"location": {
"postCode": "F-91191",
"settlement": "Gif-sur-Yvette",
"country": "France. ("
}
},
"email": "wei.wang@cea.fr"
},
{
"first": "Romaric",
"middle": [],
"last": "Besan\u00e7on",
"suffix": "",
"affiliation": {
"laboratory": "Laboratoire Vision et Ing\u00e9nierie des Contenus",
"institution": "LIST",
"location": {
"postCode": "F-91191",
"settlement": "Gif-sur-Yvette",
"country": "France. ("
}
},
"email": "romaric.besancon@cea.fr"
},
{
"first": "Olivier",
"middle": [],
"last": "Ferret",
"suffix": "",
"affiliation": {
"laboratory": "Laboratoire Vision et Ing\u00e9nierie des Contenus",
"institution": "LIST",
"location": {
"postCode": "F-91191",
"settlement": "Gif-sur-Yvette",
"country": "France. ("
}
},
"email": "olivier.ferret@cea.fr"
},
{
"first": "Brigitte",
"middle": [],
"last": "Grau",
"suffix": "",
"affiliation": {
"laboratory": "",
"institution": "CNRS-DR4",
"location": {
"addrLine": "B\u00e2t. 508",
"postBox": "BP 133",
"postCode": "UPR-3251, 91403",
"settlement": "Orsay Cedex"
}
},
"email": "brigitte.grau@limsi.fr"
}
],
"year": "",
"venue": null,
"identifiers": {},
"abstract": "Beaucoup des recherches men\u00e9es en extraction d'information non supervis\u00e9e se concentrent sur l'extraction des relations et peu de travaux proposent des m\u00e9thodes pour organiser les relations extraites. Nous pr\u00e9sentons dans cet article une m\u00e9thode de clustering en deux \u00e9tapes pour regrouper des relations s\u00e9mantiquement \u00e9quivalentes : la premi\u00e8re \u00e9tape regroupe des relations proches par leur expression tandis que la seconde fusionne les premiers clusters obtenus sur la base d'une mesure de similarit\u00e9 s\u00e9mantique. Nos exp\u00e9riences montrent en particulier que les mesures distributionnelles permettent d'obtenir pour cette t\u00e2che de meilleurs r\u00e9sultats que les mesures utilisant WordNet. Nous montrons \u00e9galement qu'un clustering \u00e0 deux niveaux permet non seulement de limiter le nombre de similarit\u00e9s s\u00e9mantiques \u00e0 calculer mais aussi d'am\u00e9liorer la qualit\u00e9 des r\u00e9sultats du clustering.",
"pdf_parse": {
"paper_id": "F13-1026",
"_pdf_hash": "",
"abstract": [
{
"text": "Beaucoup des recherches men\u00e9es en extraction d'information non supervis\u00e9e se concentrent sur l'extraction des relations et peu de travaux proposent des m\u00e9thodes pour organiser les relations extraites. Nous pr\u00e9sentons dans cet article une m\u00e9thode de clustering en deux \u00e9tapes pour regrouper des relations s\u00e9mantiquement \u00e9quivalentes : la premi\u00e8re \u00e9tape regroupe des relations proches par leur expression tandis que la seconde fusionne les premiers clusters obtenus sur la base d'une mesure de similarit\u00e9 s\u00e9mantique. Nos exp\u00e9riences montrent en particulier que les mesures distributionnelles permettent d'obtenir pour cette t\u00e2che de meilleurs r\u00e9sultats que les mesures utilisant WordNet. Nous montrons \u00e9galement qu'un clustering \u00e0 deux niveaux permet non seulement de limiter le nombre de similarit\u00e9s s\u00e9mantiques \u00e0 calculer mais aussi d'am\u00e9liorer la qualit\u00e9 des r\u00e9sultats du clustering.",
"cite_spans": [],
"ref_spans": [],
"eq_spans": [],
"section": "Abstract",
"sec_num": null
}
],
"body_text": [
{
"text": "Dans le domaine de l'Extraction d'Information (EI), les probl\u00e9matiques ont \u00e9volu\u00e9 sous l'impulsion d'une s\u00e9rie de campagnes d'\u00e9valuation allant de MUC (Message Understanding Conference) \u00e0 TAC (Text Analysis Conference) en passant par ACE (Automatic Content Extraction). Les t\u00e2ches d\u00e9finies dans les campagnes MUC et ACE concernent l'extraction d'information supervis\u00e9e, pour laquelle le type d'information \u00e0 extraire est pr\u00e9d\u00e9fini et des instances sont annot\u00e9es dans des corpus repr\u00e9sentatifs. \u00c0 partir de ces donn\u00e9es, des syst\u00e8mes d\u00e9velopp\u00e9s manuellement ou par apprentissage automatique peuvent \u00eatre d\u00e9velopp\u00e9s. Les approches semi-supervis\u00e9es peuvent s'affranchir partiellement des contraintes de disponibilit\u00e9 de telles donn\u00e9es. Par exemple, pour la t\u00e2che KBP (Knowledge Base Population) de la campagne TAC, l'extraction de relations s'appuie sur une base de connaissances existante (construite \u00e0 partir des infoboxes de Wikip\u00e9dia), mais sans donn\u00e9es annot\u00e9es. Dans ce cas, des techniques de supervision distante (Mintz et al., 2009) peuvent \u00eatre appliqu\u00e9es. Les m\u00e9thodes semi-supervis\u00e9es incluent \u00e9galement des techniques d'amor\u00e7age (bootstrapping) (Grishman et Min, 2010) permettant de partir d'un nombre limit\u00e9 d'exemples pour en extraire d'autres.",
"cite_spans": [
{
"start": 1016,
"end": 1036,
"text": "(Mintz et al., 2009)",
"ref_id": "BIBREF12"
},
{
"start": 1153,
"end": 1176,
"text": "(Grishman et Min, 2010)",
"ref_id": "BIBREF6"
}
],
"ref_spans": [],
"eq_spans": [],
"section": "Introduction",
"sec_num": "1"
},
{
"text": "L'extraction d'information non supervis\u00e9e diff\u00e8re de ces t\u00e2ches en ouvrant la probl\u00e9matique de l'extraction de relations \u00e0 des relations de type inconnu a priori, ce qui permet de faire face \u00e0 l'h\u00e9t\u00e9rog\u00e9n\u00e9it\u00e9 des relations rencontr\u00e9es en domaine ouvert, notamment sur le Web. Le type de ces relations doit alors \u00eatre d\u00e9couvert de fa\u00e7on automatique \u00e0 partir des textes. Dans ce cadre, les structures d'information consid\u00e9r\u00e9es sont en g\u00e9n\u00e9ral des relations binaires, \u00e0 l'instar de (Hasegawa et al., 2004) . Ce travail, parmi les premiers sur cette probl\u00e9matique, a avanc\u00e9 l'hypoth\u00e8se que les relations les plus int\u00e9ressantes entre entit\u00e9s nomm\u00e9es sont aussi les plus fr\u00e9quentes dans une collection de textes, de sorte que les instances de relations susceptibles de former des clusters de grande taille peuvent \u00eatre distingu\u00e9es des autres. Pour op\u00e9rer cette distinction, un seuil de similarit\u00e9 minimale appliqu\u00e9 \u00e0 une repr\u00e9sentation des relations de type sac de mots \u00e9tait \u00e9tabli pour d\u00e9favoriser les clusters de petite taille. Des am\u00e9liorations ont par la suite \u00e9t\u00e9 apport\u00e9es \u00e0 cette approche initiale par l'adoption de patrons pour repr\u00e9senter les relations au sein des clusters (Shinyama et Sekine, 2006 ) ou l'usage d'un algorithme d'ordonnancement de ces patrons pour la s\u00e9lection de relations candidates (Chen et al., 2005) .",
"cite_spans": [
{
"start": 479,
"end": 502,
"text": "(Hasegawa et al., 2004)",
"ref_id": "BIBREF7"
},
{
"start": 1178,
"end": 1203,
"text": "(Shinyama et Sekine, 2006",
"ref_id": "BIBREF17"
},
{
"start": 1307,
"end": 1326,
"text": "(Chen et al., 2005)",
"ref_id": null
}
],
"ref_spans": [],
"eq_spans": [],
"section": "Introduction",
"sec_num": "1"
},
{
"text": "Des syst\u00e8mes tels que TEXTRUNNER (Banko et al., 2007) ou REVERB (Fader et al., 2011) se focalisent quant \u00e0 eux sur l'extraction de relations \u00e0 partir de phrases en s'appuyant sur un mod\u00e8le d'apprentissage statistique pour garantir la validit\u00e9 des relations extraites. Des approches \u00e0 base de r\u00e8gles (Akbik et Bro\u00df, 2009; Gamallo et al., 2012) ou des mod\u00e8les g\u00e9n\u00e9ratifs (Rink et Harabagiu, 2011; Yao et al., 2011) ont \u00e9galement \u00e9t\u00e9 propos\u00e9s pour ce faire. Tout en restant pour l'essentiel non supervis\u00e9es, d'autres approches font appel \u00e0 un utilisateur pour d\u00e9limiter un domaine d'extraction de fa\u00e7on peu contrainte. Ainsi, le syst\u00e8me On-Demand Information Extraction (Sekine, 2006) initie le processus d'extraction par des requ\u00eates de moteur de recherche.",
"cite_spans": [
{
"start": 22,
"end": 53,
"text": "TEXTRUNNER (Banko et al., 2007)",
"ref_id": null
},
{
"start": 64,
"end": 84,
"text": "(Fader et al., 2011)",
"ref_id": "BIBREF3"
},
{
"start": 299,
"end": 320,
"text": "(Akbik et Bro\u00df, 2009;",
"ref_id": null
},
{
"start": 321,
"end": 342,
"text": "Gamallo et al., 2012)",
"ref_id": "BIBREF5"
},
{
"start": 369,
"end": 394,
"text": "(Rink et Harabagiu, 2011;",
"ref_id": "BIBREF14"
},
{
"start": 395,
"end": 412,
"text": "Yao et al., 2011)",
"ref_id": "BIBREF21"
},
{
"start": 667,
"end": 681,
"text": "(Sekine, 2006)",
"ref_id": "BIBREF16"
}
],
"ref_spans": [],
"eq_spans": [],
"section": "Introduction",
"sec_num": "1"
},
{
"text": "Une part notable des travaux men\u00e9s en EI non supervis\u00e9e se focalisent sur l'extraction des relations. Le probl\u00e8me de leur regroupement a \u00e9t\u00e9 en revanche moins abord\u00e9, en particulier pour rassembler des relations \u00e9quivalentes mais exprim\u00e9es de fa\u00e7on diff\u00e9rente. Nous pr\u00e9sentons dans cet article une m\u00e9thode pour r\u00e9aliser de tels regroupements efficacement en se fondant sur deux \u00e9tapes de clustering : un premier niveau de regroupement des relations sur la forme, utilisant une mesure de similarit\u00e9 simple, et un second niveau permettant de rapprocher les premiers clusters obtenus en utilisant une mesure de similarit\u00e9 s\u00e9mantique plus sophistiqu\u00e9e. Nos exp\u00e9riences montrent que ce clustering \u00e0 deux niveaux permet d'am\u00e9liorer le regroupement des relations.",
"cite_spans": [],
"ref_spans": [],
"eq_spans": [],
"section": "Introduction",
"sec_num": "1"
},
{
"text": "La premi\u00e8re \u00e9tape de notre processus d'EI non supervis\u00e9e est l'extraction de relations entre entit\u00e9s. Nous avons d\u00e9fini pour ce faire un module d'extraction et de filtrage de relations entra\u00een\u00e9 pour la d\u00e9couverte de relations entre entit\u00e9s nomm\u00e9es. Plus formellement, une relation entre entit\u00e9s nomm\u00e9es se caract\u00e9rise par un couple d'entit\u00e9s (E1 et E2) et la caract\u00e9risation linguistique de la relation, elle-m\u00eame form\u00e9e des trois \u00e9l\u00e9ments du contexte phrastique autour de ces entit\u00e9s (cf. figure 1) : la caract\u00e9risation linguistique principale de la relation est en g\u00e9n\u00e9ral port\u00e9e par la partie de texte entre les entit\u00e9s (Cmid), alors que les \u00e9l\u00e9ments de chaque c\u00f4t\u00e9 des entit\u00e9s (Cpre et Cpost) apportent en g\u00e9n\u00e9ral des pr\u00e9cisions de contexte.",
"cite_spans": [],
"ref_spans": [],
"eq_spans": [],
"section": "Extraction de relations non supervis\u00e9e",
"sec_num": "2"
},
{
"text": "!\"#$%%$&#'())*#+,-(.#-,#/0-1,)23(#-1(#04(#,5#5,)6(#/7/2\"4-#8/../9#2\"#!)/:; <=#!\"#$%&''#( <$#!\"#$%&''#( >?)( >92. >?,4-FIGURE 1 -Exemple de relation extraite Dans les syst\u00e8mes d'EI non supervis\u00e9e, les entit\u00e9s en relation peuvent \u00eatre des entit\u00e9s nomm\u00e9es (Hasegawa et al., 2004) ou, de fa\u00e7on plus ouverte, des syntagmes nominaux (Rozenfeld et Feldman, 2006) . Les entit\u00e9s nomm\u00e9es permettent en g\u00e9n\u00e9ral d'avoir une meilleure s\u00e9paration des diff\u00e9rents types de relations alors que l'utilisation de syntagmes nominaux permet d'avoir un plus grand nombre de candidats. Nous nous int\u00e9ressons dans notre syst\u00e8me aux relations entre entit\u00e9s nomm\u00e9es, \u00e0 la fois pour faciliter l'organisation des relations trouv\u00e9es et pour r\u00e9pondre au besoin le plus g\u00e9n\u00e9ralement r\u00e9pandu en contexte applicatif de veille. L'extraction des relations se fait alors selon les \u00e9tapes suivantes : -Analyse linguistique : un traitement linguistique est tout d'abord appliqu\u00e9 aux textes du corpus consid\u00e9r\u00e9 pour extraire les \u00e9l\u00e9ments pouvant caract\u00e9riser les relations candidates. Ce traitement inclut une reconnaissance des entit\u00e9s nomm\u00e9es pour les types impliqu\u00e9s dans les relations recherch\u00e9es, mais aussi une d\u00e9sambigu\u00efsation morpho-syntaxique et une lemmatisation pour normaliser les contextes linguistiques des relations. Ce traitement a \u00e9t\u00e9 r\u00e9alis\u00e9 avec les outils OpenNLP ; -Extraction de relations candidates : une premi\u00e8re extraction simple est r\u00e9alis\u00e9e avec peu de contraintes pour permettre la collecte d'une grande vari\u00e9t\u00e9 de relations. Toutes les phrases contenant deux entit\u00e9s nomm\u00e9es sont donc extraites, avec la seule condition qu'au moins un verbe existe entre ces entit\u00e9s ; -Filtrage de relations : \u00e0 l'issue de l'extraction initiale, beaucoup de relations candidates ne sont pas des instances r\u00e9elles de relations. Une \u00e9tape de filtrage est alors appliqu\u00e9e, comprenant une premi\u00e8re passe de filtrage heuristique, pour supprimer efficacement les relations les plus probablement fausses (discours rapport\u00e9, phrases complexes), et une seconde passe de filtrage par apprentissage statistique, entra\u00een\u00e9 sur un corpus annot\u00e9 de 1 000 exemples positifs et n\u00e9gatifs de relations, et s'appuyant sur un mod\u00e8le de Champs Conditionnels Al\u00e9atoires (CRF). Ce filtrage statistique permet d'obtenir une pr\u00e9cision de 76,2% et un rappel de 78,2% sur les relations extraites (Wang et al., 2011) . Pour nos exp\u00e9riences, nous avons utilis\u00e9 une sous-partie du corpus AQUAINT-2 contenant 18 mois d'articles de presse du journal New York Times. Les relations candidates ont \u00e9t\u00e9 extraites et filtr\u00e9es selon la m\u00e9thode pr\u00e9sent\u00e9e pour six types de relations fond\u00e9es sur trois types d'entit\u00e9s nomm\u00e9es faisant consensus : les organisation (ORG), les lieux (LOC) et les personnes (PER). Le nombre des relations restant apr\u00e8s filtrage, pr\u00e9sent\u00e9 dans le tableau 1, montre la n\u00e9cessit\u00e9 de mettre en oeuvre un regroupement de ces relations pour aider un utilisateur \u00e0 appr\u00e9hender les informations extraites. et al., 2007) . Moyennant la fixation a priori d'un seuil de similarit\u00e9 minimale, celui-ci permet en effet de construire de fa\u00e7on optimis\u00e9e la matrice de similarit\u00e9 d'un ensemble de vecteurs suivant la mesure Cosinus. Cette matrice \u00e9tant calcul\u00e9e et transform\u00e9e en graphe de similarit\u00e9, nous appliquons ensuite l'algorithme Markov Clustering (Dongen, 2000) pour former les regroupements de relations. Cet algorithme identifie les zones d'un graphe de similarit\u00e9 les plus dens\u00e9ment connect\u00e9es en r\u00e9alisant des marches al\u00e9atoires dans ce graphe. Outre son efficacit\u00e9, il pr\u00e9sente l'avantage, du point de vue de l'IE non supervis\u00e9e, de ne pas n\u00e9cessiter la fixation pr\u00e9alable d'un nombre de clusters.",
"cite_spans": [
{
"start": 253,
"end": 276,
"text": "(Hasegawa et al., 2004)",
"ref_id": "BIBREF7"
},
{
"start": 327,
"end": 355,
"text": "(Rozenfeld et Feldman, 2006)",
"ref_id": "BIBREF15"
},
{
"start": 2341,
"end": 2360,
"text": "(Wang et al., 2011)",
"ref_id": "BIBREF18"
},
{
"start": 2959,
"end": 2972,
"text": "et al., 2007)",
"ref_id": null
},
{
"start": 3301,
"end": 3315,
"text": "(Dongen, 2000)",
"ref_id": "BIBREF0"
}
],
"ref_spans": [],
"eq_spans": [],
"section": "Extraction de relations non supervis\u00e9e",
"sec_num": "2"
},
{
"text": "Si l'on consid\u00e8re que tous les mots d'une phrase n'apportent pas la m\u00eame contribution au sens g\u00e9n\u00e9ral de la phrase, il est n\u00e9cessaire d'\u00e9tablir une bonne strat\u00e9gie de pond\u00e9ration pour \u00e9tablir une bonne mesure de similarit\u00e9 entre phrases. Trois types de pond\u00e9ration sont consid\u00e9r\u00e9s ici : -pond\u00e9ration binaire : tous les mots de C mid ont le m\u00eame poids (1,0) ; -pond\u00e9ration tf-idf : un poids tf-idf est attribu\u00e9 \u00e0 chaque mot en prenant en compte la fr\u00e9quence du mot dans la relation et la fr\u00e9quence inverse du mot dans l'ensemble des relations ; -pond\u00e9ration grammaticale : des poids sp\u00e9cifiques sont donn\u00e9s aux mots en fonction de leur cat\u00e9gorie morpho-syntaxique. La pond\u00e9ration binaire est la plus simple et forme une baseline, qui a \u00e9t\u00e9 utilis\u00e9e dans nos premi\u00e8res exp\u00e9riences, en particulier en raison de l'efficacit\u00e9 de l'impl\u00e9mentation de l'APSS avec un poids binaire. La pond\u00e9ration tf-idf prend en compte, par le biais du facteur idf, une mesure de l'importance du terme dans le corpus. N\u00e9anmoins, la fr\u00e9quence des mots dans un corpus n'est pas n\u00e9cessairement corr\u00e9l\u00e9e \u00e0 leur r\u00f4le dans la caract\u00e9risation d'une relation. Par exemple, le verbe buy peut \u00eatre fr\u00e9quent dans un corpus de documents financiers, et donc avoir un poids faible, mais n'en sera pas moins repr\u00e9sentatif de la relation BUY(ORG-ORG). C'est pourquoi nous avons d\u00e9cid\u00e9 d'introduire une pond\u00e9ration grammaticale.",
"cite_spans": [],
"ref_spans": [],
"eq_spans": [],
"section": "Pond\u00e9ration des termes",
"sec_num": "3.1.2"
},
{
"text": "Cat\u00e9gories morpho-syntaxiques A (w=1,0) VB VBD VBG VBN VBP VBZ NN NNS JJ JJR JJS IN TO RP B (w=0,75) RB RBR RBS WDT WP WP$ WRB PDT POS PRP PRP$ C (w=0,5) NNP NNPS UH D (w=0,0) SYM CC CD DT MD Une analyse des cat\u00e9gories morpho-syntaxiques nous a amen\u00e9 \u00e0 les s\u00e9parer en plusieurs classes selon leur importance dans la contribution \u00e0 l'expression d'une relation. Plus pr\u00e9cis\u00e9ment, nous consid\u00e9rons quatre classes : -(A) contribution directe, de poids \u00e9lev\u00e9 : les mots de cette classe contribuent directement au sens de la relation et incluent les verbes, noms, adjectifs et pr\u00e9positions ; -(B) contribution indirecte, de poids moyen : les mots de la classe B ne sont pas directement li\u00e9s au sens de la relation mais sont pertinents dans l'expression de la phrase, comme les adverbes et les pronoms ; -(C) information compl\u00e9mentaire, de poids faible : cette classe contient des mots fournissant une information compl\u00e9mentaire sur la relation. C'est le cas des noms propres, qui sont souvent discriminants d'un point de vue th\u00e9matique mais ont plut\u00f4t \u00e0 introduire des associations inad\u00e9quates sur le plan s\u00e9mantique ; -(D) pas d'information, de poids nul : cette classe contient les mots vides que l'on veut ignorer (symboles, nombres, d\u00e9terminants etc.).",
"cite_spans": [],
"ref_spans": [],
"eq_spans": [],
"section": "Classe",
"sec_num": null
},
{
"text": "Nous pr\u00e9sentons dans le tableau 3 une configuration de pond\u00e9ration grammaticale. La liste des cat\u00e9gories morpho-syntaxiques est fond\u00e9e sur les cat\u00e9gories du Penn Treebank. Les poids 1,0, 0,75, 0,5 et 0 sont respectivement attribu\u00e9s aux classes A, B, C, D. Pour les cat\u00e9gories non pr\u00e9sentes dans cette liste, un poids par d\u00e9faut de 0,5 est utilis\u00e9. Compte tenu des probl\u00e8mes pos\u00e9s par l'\u00e9valuation de la t\u00e2che consid\u00e9r\u00e9e (cf. section 4), ces poids n'ont pas fait l'objet d'une optimisation telle qu'elle pourrait \u00eatre men\u00e9e avec une proc\u00e9dure de type validation crois\u00e9e.",
"cite_spans": [],
"ref_spans": [],
"eq_spans": [],
"section": "Classe",
"sec_num": null
},
{
"text": "Pour renforcer ce premier niveau de clustering, la strat\u00e9gie g\u00e9n\u00e9raliste pr\u00e9sent\u00e9e ci-dessus a \u00e9t\u00e9 compl\u00e9t\u00e9e par une heuristique tenant compte de la sp\u00e9cificit\u00e9 des relations. Au sein d'un cluster de base, la forme linguistique de ces derni\u00e8res est souvent domin\u00e9e par un verbe (founded pour a group founded by ou which is founded by) ou par un nom (head pour who is the head of, becomes head of ), ce terme dominant poss\u00e9dant une fr\u00e9quence \u00e9lev\u00e9e dans le cluster. De ce fait, \u00e0 l'instar de (Hasegawa et al., 2004) , nous consid\u00e9rons le nom ou le verbe le plus fr\u00e9quent au sein d'un cluster de base comme son repr\u00e9sentant et nous fusionnons les clusters ayant le m\u00eame terme dominant, appel\u00e9 mot-cl\u00e9 dans ce qui suit, pour former des clusters de base plus larges.",
"cite_spans": [
{
"start": 491,
"end": 514,
"text": "(Hasegawa et al., 2004)",
"ref_id": "BIBREF7"
}
],
"ref_spans": [],
"eq_spans": [],
"section": "Regroupement par mots-cl\u00e9s repr\u00e9sentatifs",
"sec_num": "3.1.3"
},
{
"text": "Le premier niveau de clustering ne peut clairement pas regrouper des relations exprim\u00e9es avec des termes compl\u00e8tement diff\u00e9rents. Dans l'exemple a company based in et which is located in pr\u00e9sent\u00e9 dans le tableau 2, les deux formes linguistiques ont peu en commun. Nous avons donc consid\u00e9r\u00e9 l'ajout d'un second niveau de clustering ayant pour objectif de regrouper les clusters form\u00e9s pr\u00e9c\u00e9demment sur des bases plus s\u00e9mantiques, plus pr\u00e9cis\u00e9ment en int\u00e9grant les similarit\u00e9s s\u00e9mantiques au niveau lexical. Contrairement au premier, ce second niveau b\u00e9n\u00e9ficie en outre du fait de travailler \u00e0 partir de clusters et non de relations individuelles, ce qui permet d'exploiter une information plus riche. Il n\u00e9cessite de ce fait de d\u00e9finir trois niveaux de similarit\u00e9 s\u00e9mantique : similarit\u00e9 entre les mots, entre les relations et entre les clusters de base de relations.",
"cite_spans": [],
"ref_spans": [],
"eq_spans": [],
"section": "Regroupement s\u00e9mantique",
"sec_num": "3.2"
},
{
"text": "Les mesures de similarit\u00e9 s\u00e9mantique au niveau lexical se r\u00e9partissent en deux grandes cat\u00e9gories aux caract\u00e9ristiques souvent compl\u00e9mentaires : la premi\u00e8re rassemble les mesures fond\u00e9es sur des connaissances \u00e9labor\u00e9es manuellement prenant typiquement la forme de r\u00e9seaux lexicaux de type WordNet ; la seconde recouvre les mesures de nature distributionnelle, construites \u00e0 partir de corpus. Pour \u00e9valuer la similarit\u00e9 s\u00e9mantique entre relations, nous avons choisi de tester des mesures relevant de ces deux cat\u00e9gories afin de juger de leur int\u00e9r\u00eat respectif.",
"cite_spans": [],
"ref_spans": [],
"eq_spans": [],
"section": "\u00c9valuation de la similarit\u00e9 s\u00e9mantique entre les mots",
"sec_num": "3.2.1"
},
{
"text": "Concernant le premier type de mesures, le fait de travailler avec des textes en anglais ouvre le champ des diff\u00e9rentes mesures d\u00e9finies \u00e0 partir de WordNet. Nous en avons retenu deux caract\u00e9ristiques : la mesure de Wu et Palmer (Wu et Palmer, 1994) , qui \u00e9value la proximit\u00e9 de deux synsets en fonction de leur profondeur dans la hi\u00e9rarchie de WordNet et de la profondeur de leur plus petit anc\u00eatre commun ; la mesure de Lin (Lin, 1998) , qui associe le m\u00eame type de crit\u00e8re que la mesure de Wu et Palmer et des informations de fr\u00e9quence d'usage des synsets dans un corpus de r\u00e9f\u00e9rence. Ces mesures \u00e9tant d\u00e9finies entre synsets, pour se ramener \u00e0 une mesure entre mots, nous avons adopt\u00e9 la strat\u00e9gie utilis\u00e9e notamment dans (Mihalcea et al., 2006) consistant \u00e0 prendre comme valeur de similarit\u00e9 entre deux mots la plus forte valeur de similarit\u00e9 entre les synsets dont ils font partie. have cooperation with ORG ), mais pas sous les deux formes pour un m\u00eame type de relations, sans doute \u00e0 cause de la focalisation sur la partie Cmid des relations.",
"cite_spans": [
{
"start": 228,
"end": 248,
"text": "(Wu et Palmer, 1994)",
"ref_id": "BIBREF20"
},
{
"start": 425,
"end": 436,
"text": "(Lin, 1998)",
"ref_id": "BIBREF9"
},
{
"start": 725,
"end": 748,
"text": "(Mihalcea et al., 2006)",
"ref_id": "BIBREF10"
}
],
"ref_spans": [],
"eq_spans": [],
"section": "\u00c9valuation de la similarit\u00e9 s\u00e9mantique entre les mots",
"sec_num": "3.2.1"
},
{
"text": "La similarit\u00e9 s'applique ici \u00e0 l'\u00e9chelle de la d\u00e9finition linguistique des relations, i.e. leur partie Cmid, ce qui s'apparente \u00e0 la probl\u00e9matique de la d\u00e9tection de paraphrases. De ce fait, nous avons repris le principe exp\u00e9riment\u00e9 dans (Mihalcea et al., 2006) pour cette t\u00e2che : chaque phrase (ici relation) \u00e0 comparer est repr\u00e9sent\u00e9e sous la forme d'un sac de mots et lors de l'\u00e9valuation de la similarit\u00e9 sim(P a , P b ) d'une phrase P b par rapport \u00e0 une phrase P a , chaque mot de P a est appari\u00e9 au mot de P b avec lequel sa similarit\u00e9 s\u00e9mantique, au sens de la section 3.2.1, est la plus forte. Ainsi, dans l'exemple ci-dessous, acquire est appari\u00e9 \u00e0 la seule possibilit\u00e9, buy, tandis que part est appari\u00e9 \u00e0 stake, avec lequel il partage la plus grande similarit\u00e9 selon la mesure de Wu-Palmer.",
"cite_spans": [
{
"start": 238,
"end": 261,
"text": "(Mihalcea et al., 2006)",
"ref_id": "BIBREF10"
}
],
"ref_spans": [],
"eq_spans": [],
"section": "Similarit\u00e9 s\u00e9mantique des relations",
"sec_num": "3.2.2"
},
{
"text": "!\"#!!\"#$%&'(!\"!)\"'*!+,!!!!\"# -\" !\"#!!.%/!\"!0&1+'&*/!2*\"3(!&1!!!\"# -.",
"cite_spans": [],
"ref_spans": [],
"eq_spans": [],
"section": "Similarit\u00e9 s\u00e9mantique des relations",
"sec_num": "3.2.2"
},
{
"text": "Un mot d'une phrase peut ne pas \u00eatre appari\u00e9 si sa similarit\u00e9 avec tous les autres mots de l'autre phrase est nulle. Cette mesure de similarit\u00e9 n'\u00e9tant pas sym\u00e9trique, la similarit\u00e9 compl\u00e8te est \u00e9gale \u00e0 la moyenne de sim(P a , P b ) et sim(P b , P a ). Plus formellement, avec :",
"cite_spans": [],
"ref_spans": [],
"eq_spans": [],
"section": "458 4599",
"sec_num": "4567"
},
{
"text": "P a = W 1 : f 1 , W 2 : f 2 , ... , W i : f i , ..., W M : f M P b = W 1 : f 1 , W 2 : f 2 , ... , W j : f j , ..., W N : f N",
"cite_spans": [],
"ref_spans": [],
"eq_spans": [],
"section": "458 4599",
"sec_num": "4567"
},
{
"text": "o\u00f9 W k est un mot d'une phrase et f k , sa fr\u00e9quence dans la phrase, cette similarit\u00e9 s'\u00e9crit :",
"cite_spans": [],
"ref_spans": [],
"eq_spans": [],
"section": "458 4599",
"sec_num": "4567"
},
{
"text": "EQUATION",
"cite_spans": [],
"ref_spans": [],
"eq_spans": [
{
"start": 0,
"end": 8,
"text": "EQUATION",
"ref_id": "EQREF",
"raw_str": "S P a,b = 1 2 ( 1 i\u2208[1,M ] w i i\u2208[1,M ] max j\u2208[1,N ] {S W i, j } \u2022 w i + 1 j\u2208[1,N ] w j j\u2208[1,N ] max i\u2208[1,M ] {S W i, j } \u2022 w j )",
"eq_num": "(1)"
}
],
"section": "458 4599",
"sec_num": "4567"
},
{
"text": "o\u00f9 S W i, j est la similarit\u00e9 s\u00e9mantique entre les mots W i et W j , qu'elle soit fond\u00e9e sur WordNet ou sur un th\u00e9saurus distributionnel et w i et w j sont les poids de ces mots respectivement dans P a et P b , d\u00e9finis par leur fr\u00e9quence (w i = f i , w j = f j ).",
"cite_spans": [],
"ref_spans": [],
"eq_spans": [],
"section": "458 4599",
"sec_num": "4567"
},
{
"text": "Le principe adopt\u00e9 pour la similarit\u00e9 de deux relations est trop co\u00fbteux \u00e0 transposer \u00e0 l'\u00e9chelle des clusters car il n\u00e9cessiterait, pour un cluster C a de ",
"cite_spans": [
{
"start": 153,
"end": 155,
"text": "de",
"ref_id": null
}
],
"ref_spans": [],
"eq_spans": [],
"section": "Similarit\u00e9 s\u00e9mantique des clusters",
"sec_num": "3.2.3"
},
{
"text": "= f i \u2022 f j .",
"cite_spans": [],
"ref_spans": [],
"eq_spans": [],
"section": "Similarit\u00e9 s\u00e9mantique des clusters",
"sec_num": "3.2.3"
},
{
"text": "Pour la construction de nos clusters de base, nous avons fait appel \u00e0 l'association d'un seuillage sur les valeurs de similarit\u00e9 entre relations au travers de l'utilisation de l'APSS et de l'algorithme Markov Clustering. Le seuillage r\u00e9alis\u00e9 conduit \u00e0 \u00e9claircir le graphe de similarit\u00e9 et rend possible l'application du Markov Clustering qui, en d\u00e9pit de son efficacit\u00e9, ne pourrait g\u00e9rer la matrice compl\u00e8te de similarit\u00e9 des relations. Le cas du regroupement s\u00e9mantique des clusters de base est quelque peu diff\u00e9rent. Dans le cas des relations, la taille des clusters \u00e0 former peut \u00eatre assez variable selon le contenu du corpus consid\u00e9r\u00e9 mais la valeur de similarit\u00e9 de deux relations est assez facile \u00e0 \u00e9talonner \u00e0 partir de r\u00e9sultats de r\u00e9f\u00e9rence (cf. section 4.1 pour une illustration).",
"cite_spans": [],
"ref_spans": [],
"eq_spans": [],
"section": "Algorithme de clustering",
"sec_num": "3.2.4"
},
{
"text": "Le cas du clustering s\u00e9mantique est assez diff\u00e9rent. (Ert\u00f6z et al., 2002) plut\u00f4t que le Markov Clustering utilis\u00e9 initialement. Cet algorithme d\u00e9finit en effet implicitement la taille des clusters qu'il forme en seuillant le nombre de voisins possibles pour chaque \u00e9l\u00e9ment \u00e0 regrouper 1 .",
"cite_spans": [
{
"start": 53,
"end": 73,
"text": "(Ert\u00f6z et al., 2002)",
"ref_id": "BIBREF2"
}
],
"ref_spans": [],
"eq_spans": [],
"section": "Algorithme de clustering",
"sec_num": "3.2.4"
},
{
"text": "Nous avons men\u00e9 l'\u00e9valuation de ce clustering de relations multi-niveau selon une approche externe en utilisant les mesures standard de pr\u00e9cision et rappel (combin\u00e9s par la F-mesure (Wang et al., 2012) . qui supportent le plus souvent les relations, sont plus fr\u00e9quents que des noms propres ou des occurrences de nombres, par exemple, qui se verront attribuer un score important avec cette pond\u00e9ration alors qu'ils n'apportent pas d'information sur la relation.",
"cite_spans": [
{
"start": 182,
"end": 201,
"text": "(Wang et al., 2012)",
"ref_id": "BIBREF19"
}
],
"ref_spans": [],
"eq_spans": [],
"section": "\u00c9valuation",
"sec_num": "4"
},
{
"text": "Les r\u00e9sultats utilis\u00e9s par la suite pour le clustering s\u00e9mantique sont ceux obtenus avec la pond\u00e9ration grammaticale 2 , sur laquelle l'\u00e9tape de regroupement par mots-cl\u00e9s am\u00e8ne une am\u00e9lioration l\u00e9g\u00e8re de la F-mesure, due \u00e0 un accroissement du rappel ; mais cette \u00e9tape permet surtout de r\u00e9duire le nombre de clusters et d'augmenter leur taille moyenne, comme illustr\u00e9 par les deux derni\u00e8res colonnes du tableau 4.",
"cite_spans": [],
"ref_spans": [],
"eq_spans": [],
"section": "\u00c9valuation du clustering de base",
"sec_num": "4.1"
},
{
"text": "Pour \u00e9valuer l'am\u00e9lioration apport\u00e9e par le clustering s\u00e9mantique, nous comparons les approches propos\u00e9es \u00e0 un clustering id\u00e9al (id\u00e9al) donnant le meilleur regroupement possible des clusters de base obtenus par la premi\u00e8re \u00e9tape : chaque cluster de base est associ\u00e9 au cluster de r\u00e9f\u00e9rence avec lequel il partage le plus de relations ; puis les clusters associ\u00e9s aux m\u00eames clusters de r\u00e9f\u00e9rence sont regroup\u00e9s.",
"cite_spans": [],
"ref_spans": [],
"eq_spans": [],
"section": "\u00c9valuation du clustering s\u00e9mantique",
"sec_num": "4.2"
},
{
"text": "En pratique, pour les mesures fond\u00e9es sur WordNet, la mesure de Wu-Palmer donne de bons r\u00e9sultats pour les similarit\u00e9s entre noms alors que la mesure de Lin donne de meilleurs r\u00e9sultats pour les verbes. La premi\u00e8re est calcul\u00e9e gr\u00e2ce \u00e0 NLTK (nltk.org) tandis que pour la seconde, nous utilisons les similarit\u00e9s pr\u00e9calcul\u00e9es entre les verbes de WordNet de (Pedersen, 2010) . Les similarit\u00e9s distributionnelles sont quant \u00e0 elles \u00e9valu\u00e9es \u00e0 partir du corpus AQUAINT-2, sur la base d'une mesure Cosinus entre des vecteurs de contexte obtenus soit avec une fen\u00eatre glissante de taille 3 (Dist cooc ), soit en suivant les liens syntaxiques entre les mots (Dist s yn ). Pour l'algorithme SNN, le voisinage de chaque instance de relation est limit\u00e9 aux 100 plus proches relations. Les r\u00e9sultats obtenus sont pr\u00e9sent\u00e9s dans le tableau 5.",
"cite_spans": [
{
"start": 355,
"end": 371,
"text": "(Pedersen, 2010)",
"ref_id": "BIBREF13"
}
],
"ref_spans": [],
"eq_spans": [],
"section": "\u00c9valuation du clustering s\u00e9mantique",
"sec_num": "4.2"
},
{
"text": "La similarit\u00e9 distributionnelle syntaxique donne les meilleurs r\u00e9sultats, bien que comparables \u00e0 deux de la similarit\u00e9 distributionnelle graphique. Les deux approches distributionnelles sont meilleures pour cette t\u00e2che que celle fond\u00e9e sur WordNet, ce qui signifie que la m\u00e9thode pourra plus facilement \u00eatre adapt\u00e9e \u00e0 d'autres langues. Compar\u00e9s au clustering de base, toutes les m\u00e9thodes de clustering s\u00e9mantique montrent une augmentation notable sur toutes les mesures (le F-score passe de 57,3% \u00e0 77,3%).",
"cite_spans": [],
"ref_spans": [],
"eq_spans": [],
"section": "TABLE 5 -R\u00e9sultats du clustering s\u00e9mantique",
"sec_num": null
},
{
"text": "Pour les similarit\u00e9s WordNet, d'autres tests ont \u00e9t\u00e9 effectu\u00e9s pour v\u00e9rifier l'importance relative des diff\u00e9rentes cat\u00e9gories grammaticales dans ce regroupement. Par exemple, si l'on ne consid\u00e8re que les verbes, les r\u00e9sultats sont un peu inf\u00e9rieurs, en particulier en termes de rappel. Nous avons \u00e9galement exp\u00e9riment\u00e9 l'int\u00e9gration des adjectifs dans la mesure de similarit\u00e9, mais les r\u00e9sultats ont montr\u00e9 que ces mots n'ont pas d'influence notable sur le regroupement des relations. D'autres tests int\u00e9grant des mesures de similarit\u00e9s entre mots de cat\u00e9gories grammaticales diff\u00e9rentes ont \u00e9t\u00e9 effectu\u00e9s, sans apporter d'am\u00e9lioration.",
"cite_spans": [],
"ref_spans": [],
"eq_spans": [],
"section": "TABLE 5 -R\u00e9sultats du clustering s\u00e9mantique",
"sec_num": null
},
{
"text": "Exemples de clusters s\u00e9mantiques Pour donner une id\u00e9e qualitative des r\u00e9sultats du clustering s\u00e9mantique, nous pr\u00e9sentons quelques exemples de clusters s\u00e9mantiques, cr\u00e9\u00e9s en utilisant la mesure Dist cooc . Un exemple de cluster s\u00e9mantique obtenu pour chaque type de relation est pr\u00e9sent\u00e9 dans le tableau 6, o\u00f9 chaque mot repr\u00e9sente un cluster. Il est clair avec ces exemples que des mots diff\u00e9rents mais s\u00e9mantiquement similaires sont regroup\u00e9s. N\u00e9anmoins, des erreurs subsistent : le fait de ne pas diff\u00e9rencier les voies active et passive conduit ainsi \u00e0 certaines erreurs de regroupement pour les relations entre des entit\u00e9s de m\u00eame type (par exemple, purchase et be purchased by pour des relations ORG -ORG). ",
"cite_spans": [],
"ref_spans": [],
"eq_spans": [],
"section": "TABLE 5 -R\u00e9sultats du clustering s\u00e9mantique",
"sec_num": null
},
{
"text": "Le clustering de relations occupe des positions diverses dans le domaine de l'EI non supervis\u00e9e. En premier lieu, il est absent des travaux se concentrant essentiellement sur la d\u00e9couverte et l'extraction de relations, \u00e0 l'instar du syst\u00e8me TEXTRUNNER dans lequel les relations extraites sont directement index\u00e9es pour \u00eatre interrog\u00e9es. Dans la plupart des autres travaux, la finalit\u00e9 du clustering de relations peut \u00eatre qualifi\u00e9e de s\u00e9mantique dans la mesure o\u00f9 son objectif est de regrouper des relations \u00e9quivalentes, cette \u00e9quivalence \u00e9tant situ\u00e9e plus ou moins explicitement sur le plan s\u00e9mantique. Enfin, quelques travaux plus marginaux, \u00e0 l'image de (Sekine, 2006) , int\u00e8grent \u00e9galement une dimension plus th\u00e9matique dans les regroupements r\u00e9alis\u00e9s.",
"cite_spans": [
{
"start": 658,
"end": 672,
"text": "(Sekine, 2006)",
"ref_id": "BIBREF16"
}
],
"ref_spans": [],
"eq_spans": [],
"section": "Travaux li\u00e9s au clustering s\u00e9mantique de relations",
"sec_num": "5"
},
{
"text": "M\u00eame lorsque le clustering de relations poss\u00e8de une vocation s\u00e9mantique, les moyens pour le mettre en oeuvre ne sont pas n\u00e9cessairement eux-m\u00eames s\u00e9mantiques. \u00c0 l'image de notre premier niveau de clustering, (Hasegawa et al., 2004) retrouve ainsi des variations s\u00e9mantiques comme (offer to buyacquisition of ) au sein des clusters de relations entre entit\u00e9s nomm\u00e9es qu'il forme en appliquant une simple mesure Cosinus au contexte imm\u00e9diat de ces relations. (Sekine, 2006) va quant \u00e0 lui un peu plus loin en exploitant un ensemble de paraphrases constitu\u00e9 a priori sur la base de cooccurrences d'entit\u00e9s nomm\u00e9es pour faciliter l'appariement de phrases issues de plusieurs articles journalistiques relatant un m\u00eame \u00e9v\u00e9nement. Concernant toujours l'\u00e9valuation de la similarit\u00e9 entre les relations, (Eichler et al., 2008) s'appuie pour sa part sur WordNet pour d\u00e9tecter les relations de synonymie entre verbes. La d\u00e9marche se rapproche d'une partie de ce que nous avons exp\u00e9riment\u00e9, m\u00eame si nous avons \u00e9galement inclus les noms dans notre champ d'\u00e9tude, car ceux-ci sont dominants pour exprimer certaines relations, que nous avons appliqu\u00e9 cette recherche au niveau des clusters de base, et non des relations individuelles, et qu'avec les similarit\u00e9s distributionnelles, nous ne sommes pas restreints aux seules relations de synonymie.",
"cite_spans": [
{
"start": 208,
"end": 231,
"text": "(Hasegawa et al., 2004)",
"ref_id": "BIBREF7"
},
{
"start": 457,
"end": 471,
"text": "(Sekine, 2006)",
"ref_id": "BIBREF16"
},
{
"start": 795,
"end": 817,
"text": "(Eichler et al., 2008)",
"ref_id": "BIBREF1"
}
],
"ref_spans": [],
"eq_spans": [],
"section": "Travaux li\u00e9s au clustering s\u00e9mantique de relations",
"sec_num": "5"
},
{
"text": "La notion de clustering multiple appara\u00eet quant \u00e0 elle dans quelques travaux. (Kok et Domingos, 2008) propose ainsi de construire un r\u00e9seau de relations s\u00e9mantiques de haut niveau \u00e0 partir des r\u00e9sultats du syst\u00e8me TEXTRUNNER gr\u00e2ce \u00e0 une m\u00e9thode de co-clustering engendrant simulta-n\u00e9ment des classes d'arguments et des classes de relations. (Min et al., 2012) fait quant \u00e0 lui appara\u00eetre deux niveaux de clustering mais avec une optique plus proche de (Kok et Domingos, 2008) que de la n\u00f4tre. Son premier niveau de clustering porte en effet sur les arguments des relations tandis que le second se focalise sur les relations proprement dites. L'objectif du premier niveau de clustering est ainsi de regrouper des relations ayant la m\u00eame expression et de trouver des arguments \u00e9quivalents tandis que le second niveau de clustering vise \u00e0 regrouper des relations ayant des expressions similaires en s'appuyant notamment sur les classes d'arguments d\u00e9gag\u00e9es par le premier clustering. Ce dernier exploite un vaste graphe de relations de similarit\u00e9 et d'hyperonymie entre entit\u00e9s construit automatiquement \u00e0 la fois sur la base de similarit\u00e9s distributionnelles et de patrons lexico-syntaxiques. S'y ajoute pour le second niveau de clustering une large base de paraphrases elle aussi construite automatiquement \u00e0 partir de corpus.",
"cite_spans": [
{
"start": 78,
"end": 101,
"text": "(Kok et Domingos, 2008)",
"ref_id": "BIBREF8"
},
{
"start": 341,
"end": 359,
"text": "(Min et al., 2012)",
"ref_id": "BIBREF11"
},
{
"start": 452,
"end": 475,
"text": "(Kok et Domingos, 2008)",
"ref_id": "BIBREF8"
}
],
"ref_spans": [],
"eq_spans": [],
"section": "Travaux li\u00e9s au clustering s\u00e9mantique de relations",
"sec_num": "5"
},
{
"text": "Nous avons pr\u00e9sent\u00e9 dans cet article une m\u00e9thode de clustering \u00e0 plusieurs niveaux pour regrouper des relations extraites dans un contexte d'EI non supervis\u00e9e. Une premi\u00e8re \u00e9tape est appliqu\u00e9e pour regrouper des relations ayant des expressions linguistiques proches de fa\u00e7on efficace et avec une bonne pr\u00e9cision. Une seconde \u00e9tape permet d'am\u00e9liorer ce premier regroupement en utilisant des mesures de similarit\u00e9 s\u00e9mantique plus riches afin de rassembler les clusters d\u00e9j\u00e0 form\u00e9s et augmenter le rappel. Nos exp\u00e9riences montrent que dans ce contexte, des mesures de similarit\u00e9 distributionnelle donnent des r\u00e9sultats plus stables que des mesures fond\u00e9es sur WordNet. Une analyse des distributions des similarit\u00e9s entre les relations initiales et entre les clusters de premier niveau met \u00e9galement en \u00e9vidence l'int\u00e9r\u00eat d'un clustering \u00e0 deux niveaux. Parmi les perspectives envisag\u00e9es, nous envisageons d'exploiter le contexte des relations, que ce soit de fa\u00e7on locale au niveau de la phrase au travers des parties Cpre et Cpost ou plus globalement en prenant en compte les contextes th\u00e9matiques des relations pour am\u00e9liorer le regroupement des relations et pouvoir les pr\u00e9senter de fa\u00e7on plus pertinente \u00e0 un utilisateur.",
"cite_spans": [],
"ref_spans": [],
"eq_spans": [],
"section": "Conclusion et perspectives",
"sec_num": null
},
{
"text": "R\u00e9f\u00e9rences AKBIK, A. et BROSS, J. (2009) . Extracting semantic relations from natural language text using dependency grammar patterns. In SemSearch 2009 workshop of WWW 2009.",
"cite_spans": [
{
"start": 11,
"end": 40,
"text": "AKBIK, A. et BROSS, J. (2009)",
"ref_id": null
}
],
"ref_spans": [],
"eq_spans": [],
"section": "Conclusion et perspectives",
"sec_num": null
},
{
"text": "AMIG\u00d3, E., GONZALO, J., ARTILES, J. et VERDEJO, F. (2009) . A comparison of extrinsic clustering evaluation metrics based on formal constraints. Information Retrieval, 12(4):461-486.",
"cite_spans": [
{
"start": 24,
"end": 57,
"text": "ARTILES, J. et VERDEJO, F. (2009)",
"ref_id": null
}
],
"ref_spans": [],
"eq_spans": [],
"section": "Conclusion et perspectives",
"sec_num": null
},
{
"text": "BANKO, M., CAFARELLA, M. J., SODERLAND, S., BROADHEAD, M. et ETZIONI, O. (2007) . Open information extraction from the web. In IJCAI'07, pages 2670-2676.",
"cite_spans": [
{
"start": 44,
"end": 79,
"text": "BROADHEAD, M. et ETZIONI, O. (2007)",
"ref_id": null
}
],
"ref_spans": [],
"eq_spans": [],
"section": "Conclusion et perspectives",
"sec_num": null
},
{
"text": "BAYARDO, R. J., MA, Y. et SRIKANT, R. (2007) . Scaling up all pairs similarity search. In WWW'07, pages 131-140.",
"cite_spans": [
{
"start": 16,
"end": 44,
"text": "MA, Y. et SRIKANT, R. (2007)",
"ref_id": null
}
],
"ref_spans": [],
"eq_spans": [],
"section": "Conclusion et perspectives",
"sec_num": null
},
{
"text": "CHEN, J., JI, D., TAN, C. et NIU, Z. (2005) . Unsupervised feature selection for relation extraction.",
"cite_spans": [
{
"start": 18,
"end": 43,
"text": "TAN, C. et NIU, Z. (2005)",
"ref_id": null
}
],
"ref_spans": [],
"eq_spans": [],
"section": "Conclusion et perspectives",
"sec_num": null
},
{
"text": "In IJCNLP-2005 , pages 262-267. CHEU, E., KEONGG, C. et ZHOU, Z. (2004 ",
"cite_spans": [
{
"start": 3,
"end": 14,
"text": "IJCNLP-2005",
"ref_id": null
},
{
"start": 15,
"end": 70,
"text": ", pages 262-267. CHEU, E., KEONGG, C. et ZHOU, Z. (2004",
"ref_id": null
}
],
"ref_spans": [],
"eq_spans": [],
"section": "Conclusion et perspectives",
"sec_num": null
},
{
"text": "c ATALA",
"cite_spans": [],
"ref_spans": [],
"eq_spans": [],
"section": "",
"sec_num": null
},
{
"text": "Plusieurs seuils et configurations de pond\u00e9rations grammaticales ont \u00e9t\u00e9 test\u00e9s. La version pr\u00e9sent\u00e9e (seuil de 0,60 et poids donn\u00e9s dans le tableau 3) est celle donnant les meilleurs r\u00e9sultats.",
"cite_spans": [],
"ref_spans": [],
"eq_spans": [],
"section": "",
"sec_num": null
}
],
"back_matter": [],
"bib_entries": {
"BIBREF0": {
"ref_id": "b0",
"title": "Graph Clustering by Flow Simulation",
"authors": [
{
"first": "S",
"middle": [
"V"
],
"last": "Dongen",
"suffix": ""
}
],
"year": 2000,
"venue": "",
"volume": "",
"issue": "",
"pages": "",
"other_ids": {},
"num": null,
"urls": [],
"raw_text": "DONGEN, S. V. (2000). Graph Clustering by Flow Simulation. Th\u00e8se de doctorat, University of Utrecht.",
"links": null
},
"BIBREF1": {
"ref_id": "b1",
"title": "Unsupervised relation extraction from web documents",
"authors": [
{
"first": "K",
"middle": [],
"last": "Eichler",
"suffix": ""
},
{
"first": "H",
"middle": [],
"last": "Hemsen",
"suffix": ""
},
{
"first": "G",
"middle": [],
"last": "Neumann",
"suffix": ""
}
],
"year": 2008,
"venue": "LREC'08",
"volume": "",
"issue": "",
"pages": "",
"other_ids": {},
"num": null,
"urls": [],
"raw_text": "EICHLER, K., HEMSEN, H. et NEUMANN, G. (2008). Unsupervised relation extraction from web documents. In LREC'08.",
"links": null
},
"BIBREF2": {
"ref_id": "b2",
"title": "A new shared nearest neighbor clustering algorithm and its applications",
"authors": [
{
"first": "L",
"middle": [],
"last": "Ert\u00f6z",
"suffix": ""
},
{
"first": "M",
"middle": [],
"last": "Steinbach",
"suffix": ""
},
{
"first": "V",
"middle": [],
"last": "Kumar",
"suffix": ""
}
],
"year": 2002,
"venue": "Workshop on Clustering High Dimensional Data and its Applications of SIAM ICDM",
"volume": "",
"issue": "",
"pages": "",
"other_ids": {},
"num": null,
"urls": [],
"raw_text": "ERT\u00d6Z, L., STEINBACH, M. et KUMAR, V. (2002). A new shared nearest neighbor clustering algorithm and its applications. In Workshop on Clustering High Dimensional Data and its Applications of SIAM ICDM 2002.",
"links": null
},
"BIBREF3": {
"ref_id": "b3",
"title": "Identifying relations for open information extraction",
"authors": [
{
"first": "A",
"middle": [],
"last": "Fader",
"suffix": ""
},
{
"first": "S",
"middle": [],
"last": "Soderland",
"suffix": ""
},
{
"first": "O",
"middle": [],
"last": "Etzioni",
"suffix": ""
}
],
"year": 2011,
"venue": "EMNLP'11",
"volume": "",
"issue": "",
"pages": "1535--1545",
"other_ids": {},
"num": null,
"urls": [],
"raw_text": "FADER, A., SODERLAND, S. et ETZIONI, O. (2011). Identifying relations for open information extraction. In EMNLP'11, pages 1535-1545.",
"links": null
},
"BIBREF4": {
"ref_id": "b4",
"title": "Testing semantic similarity measures for extracting synonyms from a corpus",
"authors": [
{
"first": "O",
"middle": [],
"last": "Ferret",
"suffix": ""
}
],
"year": 2010,
"venue": "LREC'10",
"volume": "",
"issue": "",
"pages": "",
"other_ids": {},
"num": null,
"urls": [],
"raw_text": "FERRET, O. (2010). Testing semantic similarity measures for extracting synonyms from a corpus. In LREC'10.",
"links": null
},
"BIBREF5": {
"ref_id": "b5",
"title": "Dependency-based open information extraction",
"authors": [
{
"first": "P",
"middle": [],
"last": "Gamallo",
"suffix": ""
},
{
"first": "M",
"middle": [],
"last": "Garcia",
"suffix": ""
},
{
"first": "S",
"middle": [],
"last": "Fern\u00e1ndez-Lanza",
"suffix": ""
}
],
"year": 2012,
"venue": "Joint Workshop on Unsupervised and Semi-Supervised Learning in NLP",
"volume": "",
"issue": "",
"pages": "",
"other_ids": {},
"num": null,
"urls": [],
"raw_text": "GAMALLO, P., GARCIA, M. et FERN\u00c1NDEZ-LANZA, S. (2012). Dependency-based open information extraction. In Joint Workshop on Unsupervised and Semi-Supervised Learning in NLP.",
"links": null
},
"BIBREF6": {
"ref_id": "b6",
"title": "New York University KBP 2010 Slot-Filling System",
"authors": [
{
"first": "R",
"middle": [],
"last": "Grishman",
"suffix": ""
},
{
"first": "B",
"middle": [],
"last": "Min",
"suffix": ""
}
],
"year": 2010,
"venue": "Text Analysis Conference (TAC). NIST",
"volume": "",
"issue": "",
"pages": "",
"other_ids": {},
"num": null,
"urls": [],
"raw_text": "GRISHMAN, R. et MIN, B. (2010). New York University KBP 2010 Slot-Filling System. In Text Analysis Conference (TAC). NIST.",
"links": null
},
"BIBREF7": {
"ref_id": "b7",
"title": "Discovering relations among named entities from large corpora",
"authors": [
{
"first": "T",
"middle": [],
"last": "Hasegawa",
"suffix": ""
},
{
"first": "S",
"middle": [],
"last": "Sekine",
"suffix": ""
},
{
"first": "R",
"middle": [],
"last": "Grishman",
"suffix": ""
}
],
"year": 2004,
"venue": "ACL'04",
"volume": "",
"issue": "",
"pages": "",
"other_ids": {},
"num": null,
"urls": [],
"raw_text": "HASEGAWA, T., SEKINE, S. et GRISHMAN, R. (2004). Discovering relations among named entities from large corpora. In ACL'04.",
"links": null
},
"BIBREF8": {
"ref_id": "b8",
"title": "Extracting Semantic Networks from Text Via Relational Clustering",
"authors": [
{
"first": "S",
"middle": [],
"last": "Kok",
"suffix": ""
},
{
"first": "P",
"middle": [],
"last": "Domingos",
"suffix": ""
}
],
"year": 2008,
"venue": "ECML PKDD'08",
"volume": "",
"issue": "",
"pages": "624--639",
"other_ids": {},
"num": null,
"urls": [],
"raw_text": "KOK, S. et DOMINGOS, P. (2008). Extracting Semantic Networks from Text Via Relational Clustering. In ECML PKDD'08, pages 624-639.",
"links": null
},
"BIBREF9": {
"ref_id": "b9",
"title": "An information-theoretic definition of similarity",
"authors": [
{
"first": "D",
"middle": [],
"last": "Lin",
"suffix": ""
}
],
"year": 1998,
"venue": "ICML'98",
"volume": "",
"issue": "",
"pages": "296--304",
"other_ids": {},
"num": null,
"urls": [],
"raw_text": "LIN, D. (1998). An information-theoretic definition of similarity. In ICML'98, pages 296-304.",
"links": null
},
"BIBREF10": {
"ref_id": "b10",
"title": "Corpus-based and knowledge-based measures of text semantic similarity",
"authors": [
{
"first": "R",
"middle": [],
"last": "Mihalcea",
"suffix": ""
},
{
"first": "C",
"middle": [],
"last": "Corley",
"suffix": ""
},
{
"first": "C",
"middle": [],
"last": "Strapparava",
"suffix": ""
}
],
"year": 2006,
"venue": "AAAI'06",
"volume": "",
"issue": "",
"pages": "775--780",
"other_ids": {},
"num": null,
"urls": [],
"raw_text": "MIHALCEA, R., CORLEY, C. et STRAPPARAVA, C. (2006). Corpus-based and knowledge-based measures of text semantic similarity. In AAAI'06, pages 775-780.",
"links": null
},
"BIBREF11": {
"ref_id": "b11",
"title": "Ensemble semantics for large-scale unsupervised relation extraction",
"authors": [
{
"first": "B",
"middle": [],
"last": "Min",
"suffix": ""
},
{
"first": "S",
"middle": [],
"last": "Shi",
"suffix": ""
},
{
"first": "R",
"middle": [],
"last": "Grishman",
"suffix": ""
},
{
"first": "C.-Y",
"middle": [],
"last": "Lin",
"suffix": ""
}
],
"year": 2012,
"venue": "EMNLP'12",
"volume": "",
"issue": "",
"pages": "1027--1037",
"other_ids": {},
"num": null,
"urls": [],
"raw_text": "MIN, B., SHI, S., GRISHMAN, R. et LIN, C.-Y. (2012). Ensemble semantics for large-scale unsuper- vised relation extraction. In EMNLP'12, pages 1027-1037.",
"links": null
},
"BIBREF12": {
"ref_id": "b12",
"title": "Distant supervision for relation extraction without labeled data",
"authors": [
{
"first": "M",
"middle": [],
"last": "Mintz",
"suffix": ""
},
{
"first": "S",
"middle": [],
"last": "Bills",
"suffix": ""
},
{
"first": "R",
"middle": [],
"last": "Snow",
"suffix": ""
},
{
"first": "D",
"middle": [],
"last": "Jurafsky",
"suffix": ""
}
],
"year": 2009,
"venue": "ACL-IJCNLP 2009",
"volume": "",
"issue": "",
"pages": "1003--1011",
"other_ids": {},
"num": null,
"urls": [],
"raw_text": "MINTZ, M., BILLS, S., SNOW, R. et JURAFSKY, D. (2009). Distant supervision for relation extraction without labeled data. In ACL-IJCNLP 2009, pages 1003-1011.",
"links": null
},
"BIBREF13": {
"ref_id": "b13",
"title": "Information content measures of semantic similarity perform better without sense-tagged text",
"authors": [
{
"first": "T",
"middle": [],
"last": "Pedersen",
"suffix": ""
}
],
"year": 2010,
"venue": "HLT-NAACL'10",
"volume": "",
"issue": "",
"pages": "329--332",
"other_ids": {},
"num": null,
"urls": [],
"raw_text": "PEDERSEN, T. (2010). Information content measures of semantic similarity perform better without sense-tagged text. In HLT-NAACL'10, pages 329-332.",
"links": null
},
"BIBREF14": {
"ref_id": "b14",
"title": "A generative model for unsupervised discovery of relations and argument classes from clinical texts",
"authors": [
{
"first": "B",
"middle": [],
"last": "Rink",
"suffix": ""
},
{
"first": "S",
"middle": [],
"last": "Harabagiu",
"suffix": ""
}
],
"year": 2011,
"venue": "EMNLP'11",
"volume": "",
"issue": "",
"pages": "519--528",
"other_ids": {},
"num": null,
"urls": [],
"raw_text": "RINK, B. et HARABAGIU, S. (2011). A generative model for unsupervised discovery of relations and argument classes from clinical texts. In EMNLP'11, pages 519-528.",
"links": null
},
"BIBREF15": {
"ref_id": "b15",
"title": "High-performance unsupervised relation extraction from large corpora",
"authors": [
{
"first": "B",
"middle": [],
"last": "Rozenfeld",
"suffix": ""
},
{
"first": "R",
"middle": [],
"last": "Feldman",
"suffix": ""
}
],
"year": 2006,
"venue": "ICDM'06",
"volume": "",
"issue": "",
"pages": "1032--1037",
"other_ids": {},
"num": null,
"urls": [],
"raw_text": "ROZENFELD, B. et FELDMAN, R. (2006). High-performance unsupervised relation extraction from large corpora. In ICDM'06, pages 1032-1037.",
"links": null
},
"BIBREF16": {
"ref_id": "b16",
"title": "On-demand information extraction",
"authors": [
{
"first": "S",
"middle": [],
"last": "Sekine",
"suffix": ""
}
],
"year": 2006,
"venue": "COLING-ACL'06",
"volume": "",
"issue": "",
"pages": "731--738",
"other_ids": {},
"num": null,
"urls": [],
"raw_text": "SEKINE, S. (2006). On-demand information extraction. In COLING-ACL'06, pages 731-738.",
"links": null
},
"BIBREF17": {
"ref_id": "b17",
"title": "Preemptive information extraction using unrestricted relation discovery",
"authors": [
{
"first": "Y",
"middle": [],
"last": "Shinyama",
"suffix": ""
},
{
"first": "S",
"middle": [],
"last": "Sekine",
"suffix": ""
}
],
"year": 2006,
"venue": "HLT-NAACL'06",
"volume": "",
"issue": "",
"pages": "304--311",
"other_ids": {},
"num": null,
"urls": [],
"raw_text": "SHINYAMA, Y. et SEKINE, S. (2006). Preemptive information extraction using unrestricted relation discovery. In HLT-NAACL'06, pages 304-311.",
"links": null
},
"BIBREF18": {
"ref_id": "b18",
"title": "Filtering and clustering relations for unsupervised information extraction in open domain",
"authors": [
{
"first": "W",
"middle": [],
"last": "Wang",
"suffix": ""
},
{
"first": "R",
"middle": [],
"last": "Besan\u00e7on",
"suffix": ""
},
{
"first": "O",
"middle": [],
"last": "Ferret",
"suffix": ""
},
{
"first": "B",
"middle": [],
"last": "Grau",
"suffix": ""
}
],
"year": 2011,
"venue": "CIKM 2011",
"volume": "",
"issue": "",
"pages": "1405--1414",
"other_ids": {},
"num": null,
"urls": [],
"raw_text": "WANG, W., BESAN\u00c7ON, R., FERRET, O. et GRAU, B. (2011). Filtering and clustering relations for unsupervised information extraction in open domain. In CIKM 2011, pages 1405-1414.",
"links": null
},
"BIBREF19": {
"ref_id": "b19",
"title": "Evaluation of unsupervised information extraction",
"authors": [
{
"first": "W",
"middle": [],
"last": "Wang",
"suffix": ""
},
{
"first": "R",
"middle": [],
"last": "Besan\u00e7on",
"suffix": ""
},
{
"first": "O",
"middle": [],
"last": "Ferret",
"suffix": ""
},
{
"first": "B",
"middle": [],
"last": "Grau",
"suffix": ""
}
],
"year": 2012,
"venue": "LREC'12",
"volume": "",
"issue": "",
"pages": "",
"other_ids": {},
"num": null,
"urls": [],
"raw_text": "WANG, W., BESAN\u00c7ON, R., FERRET, O. et GRAU, B. (2012). Evaluation of unsupervised information extraction. In LREC'12.",
"links": null
},
"BIBREF20": {
"ref_id": "b20",
"title": "Verbs semantics and lexical selection",
"authors": [
{
"first": "Z",
"middle": [],
"last": "Wu",
"suffix": ""
},
{
"first": "M",
"middle": [],
"last": "Palmer",
"suffix": ""
}
],
"year": 1994,
"venue": "ACL'94",
"volume": "",
"issue": "",
"pages": "133--138",
"other_ids": {},
"num": null,
"urls": [],
"raw_text": "WU, Z. et PALMER, M. (1994). Verbs semantics and lexical selection. In ACL'94, pages 133-138.",
"links": null
},
"BIBREF21": {
"ref_id": "b21",
"title": "Structured relation discovery using generative models",
"authors": [
{
"first": "L",
"middle": [],
"last": "Yao",
"suffix": ""
},
{
"first": "A",
"middle": [],
"last": "Haghighi",
"suffix": ""
},
{
"first": "S",
"middle": [],
"last": "Riedel",
"suffix": ""
},
{
"first": "A",
"middle": [],
"last": "Mccallum",
"suffix": ""
}
],
"year": 2011,
"venue": "EMNLP'11",
"volume": "",
"issue": "",
"pages": "1456--1466",
"other_ids": {},
"num": null,
"urls": [],
"raw_text": "YAO, L., HAGHIGHI, A., RIEDEL, S. et MCCALLUM, A. (2011). Structured relation discovery using generative models. In EMNLP'11, pages 1456-1466.",
"links": null
}
},
"ref_entries": {
"FIGREF0": {
"text": "Le seuil de similarit\u00e9 utilis\u00e9 pour le clustering de base (utilis\u00e9 pour \u00e9laguer la matrice de similarit\u00e9 gr\u00e2ce \u00e0 l'algorithme APSS) a \u00e9t\u00e9 fix\u00e9 \u00e0 0,45. Ce seuil a \u00e9t\u00e9 choisi empiriquement en \u00e9tudiant le comportement de l'algorithme de clustering sur les phrases du corpus Microsoft Research Paraphrase(Dolan et al., 2004) et couvre les trois quarts des valeurs de similarit\u00e9 de ses phrases en \u00e9tat de paraphrase. Pour la pond\u00e9ration grammaticale, qui est moins stricte, un seuil de 0,60 est utilis\u00e9. Les r\u00e9sultats obtenus pour le clustering de base sont pr\u00e9sent\u00e9s dans le tableau 4.",
"num": null,
"type_str": "figure",
"uris": null
},
"FIGREF1": {
"text": "Distribution des similarit\u00e9s entre les relations et entre les clusters de base que l'information redondante dans les clusters de base peut \u00eatre utilis\u00e9e pour diminuer le bruit caus\u00e9 par les mots non repr\u00e9sentatifs de la relation.",
"num": null,
"type_str": "figure",
"uris": null
},
"TABREF0": {
"content": "<table><tr><td>Total</td><td>ORG-LOC</td><td>ORG-ORG</td><td>ORG-PER</td><td>PER-LOC</td><td>PER-ORG</td><td>PER-PER</td></tr><tr><td colspan=\"2\">165 708 15 226</td><td>13 704</td><td>10 054</td><td>47 700</td><td>40 238</td><td>38 786</td></tr><tr><td/><td colspan=\"5\">TABLE 1 -Nombre de relations extraites</td><td/></tr><tr><td colspan=\"4\">3 Regroupement de relations</td><td/><td/><td/></tr><tr><td colspan=\"7\">Dans cette section, nous pr\u00e9sentons plus sp\u00e9cifiquement notre m\u00e9thode de clustering multi-niveau</td></tr><tr><td colspan=\"7\">d\u00e9finie afin de regrouper les relations extraites en fonction de leur similarit\u00e9 s\u00e9mantique. Cette</td></tr><tr><td colspan=\"7\">m\u00e9thode s'organise en deux \u00e9tapes, \u00e0 l'instar de (Cheu et al., 2004) : un premier clustering de</td></tr><tr><td colspan=\"7\">base est r\u00e9alis\u00e9 en s'appuyant sur la similarit\u00e9 des formes de surface des relations, ce qui permet</td></tr><tr><td colspan=\"7\">de former de mani\u00e8re efficace de petits clusters homog\u00e8nes ; une seconde \u00e9tape de clustering est</td></tr><tr><td colspan=\"7\">ensuite appliqu\u00e9e pour rassembler ces clusters initiaux sur la base d'une similarit\u00e9 s\u00e9mantique</td></tr><tr><td colspan=\"2\">entre relations plus complexe.</td><td/><td/><td/><td/><td/></tr><tr><td colspan=\"3\">3.1 Regroupement de base</td><td/><td/><td/><td/></tr><tr><td>3.1.1 Principe</td><td/><td/><td/><td/><td/><td/></tr><tr><td colspan=\"7\">En EI non supervis\u00e9e, le nombre de relations extraites est rapidement important comme le</td></tr><tr><td colspan=\"7\">montre le tableau 1. De ce fait, il est quasiment impossible d'appliquer des mesures de similarit\u00e9</td></tr><tr><td colspan=\"7\">s\u00e9mantique \u00e9labor\u00e9es entre toutes les relations extraites. Le tableau 2 illustre cependant le fait</td></tr><tr><td colspan=\"7\">que certaines variabilit\u00e9s d'expression sont tr\u00e8s limit\u00e9es et peuvent \u00eatre d\u00e9tect\u00e9es facilement.</td></tr><tr><td/><td/><td colspan=\"3\">create the, who create . . .</td><td/><td/></tr><tr><td colspan=\"2\">ORG -ORG</td><td/><td/><td/><td/><td/></tr><tr><td/><td/><td colspan=\"4\">establish the, who establish the . . .</td><td/></tr><tr><td/><td/><td colspan=\"3\">base in, a company base in . . .</td><td/><td/></tr><tr><td colspan=\"2\">ORG -LOC</td><td/><td/><td/><td/><td/></tr><tr><td/><td/><td colspan=\"3\">locate in, which be locate in . . .</td><td/><td/></tr><tr><td colspan=\"2\">ORG -PER</td><td colspan=\"5\">found by, a group found by, which be found by . . .</td></tr><tr><td colspan=\"2\">PER -ORG</td><td colspan=\"4\">who be the head of, become head of . . .</td><td/></tr><tr><td colspan=\"2\">PER -LOC</td><td colspan=\"3\">work in, who work in . . .</td><td/><td/></tr><tr><td colspan=\"2\">PER -PER</td><td colspan=\"4\">who call, who call his manager . . .</td><td/></tr><tr><td colspan=\"7\">TABLE 2 -Illustration de la variabilit\u00e9 linguistique des relations</td></tr><tr><td colspan=\"7\">Cette observation nous a conduit \u00e0 mettre en oeuvre un premier niveau de clustering afin de</td></tr><tr><td colspan=\"7\">former des regroupements de relations proches les unes des autres sur le plan de leur expression</td></tr><tr><td colspan=\"7\">linguistique, comme le fait de regrouper create the et who create. Pour ce faire, nous nous sommes</td></tr><tr><td colspan=\"7\">appuy\u00e9s sur une similarit\u00e9 Cosinus appliqu\u00e9e \u00e0 une repr\u00e9sentation de type sac de mots de la</td></tr></table>",
"type_str": "table",
"html": null,
"text": "",
"num": null
},
"TABREF1": {
"content": "<table/>",
"type_str": "table",
"html": null,
"text": "",
"num": null
},
"TABREF2": {
"content": "<table/>",
"type_str": "table",
"html": null,
"text": "Les mesures de similarit\u00e9 distributionnelles sont quant \u00e0 elles fond\u00e9es sur l'hypoth\u00e8se que les mots apparaissant dans les m\u00eames contextes tendent \u00e0 avoir le m\u00eame sens. La notion de contexte renvoie ici \u00e0 l'ensemble des mots cooccurrant avec le mot cible dans un corpus. Cette cooccurrence peut \u00eatre graphique, au sein d'une fen\u00eatre de taille fixe, ou bien reposer sur des relations syntaxiques. Nous avons test\u00e9 ici les deux types de cooccurrents, les termes au sein des contextes ainsi form\u00e9s \u00e9tant pond\u00e9r\u00e9s gr\u00e2ce \u00e0 la mesure d'Information Mutuelle et les contextes eux-m\u00eames \u00e9tant compar\u00e9s gr\u00e2ce \u00e0 la mesure Cosinus pour \u00e9valuer la similarit\u00e9 de deux mots. Ces choix r\u00e9sultent d'un processus d'optimisation d\u00e9crit dans(Ferret, 2010) dont nous avons utilis\u00e9 les th\u00e9saurus distributionnels pour disposer de ces similarit\u00e9s sous une forme pr\u00e9calcul\u00e9e.",
"num": null
},
"TABREF3": {
"content": "<table/>",
"type_str": "table",
"html": null,
"text": "cardinalit\u00e9 A et un cluster C b de cardinalit\u00e9 B, de calculer A \u2022 B similarit\u00e9s, lesquelles ne peuvent pas \u00eatre pr\u00e9calcul\u00e9es comme pour les mots.La similarit\u00e9 \u00e0 l'\u00e9chelle des relations \u00e9tant fond\u00e9e sur une repr\u00e9sentation de type sac de mots, nous avons choisi de construire pour les clusters une repr\u00e9sentation de m\u00eame type, obtenue en fusionnant les repr\u00e9sentations de leurs relations. Au sein de la repr\u00e9sentation d'un cluster, chaque mot se voit associer sa fr\u00e9quence parmi les relations du cluster, les mots de plus fortes fr\u00e9quences \u00e9tant suppos\u00e9s les plus repr\u00e9sentatifs du type de relation sous-jacent au cluster.",
"num": null
},
"TABREF5": {
"content": "<table/>",
"type_str": "table",
"html": null,
"text": "). Ces mesures sont appliqu\u00e9es \u00e0 des paires de relations en consid\u00e9rant que les relations peuvent \u00eatre regroup\u00e9es dans le m\u00eame cluster ou s\u00e9par\u00e9es dans des clusters diff\u00e9rents et ce, de fa\u00e7on correcte ou incorrecte par rapport \u00e0 la r\u00e9f\u00e9rence. Nous utilisons \u00e9galement les mesures standard pour le clustering de puret\u00e9, puret\u00e9 inverse and Information Mutuelle Normalis\u00e9e (NMI)(Amig\u00f3 et al., 2009) Le clustering de r\u00e9f\u00e9rence utilis\u00e9 a \u00e9t\u00e9 construit manuellement \u00e0 partir d'un sous-ensemble de relations provenant de l'extraction initiale. Il est form\u00e9 de 80 clusters couvrant 4 420 relations : une douzaine de clusters sont construits pour chaque paire de types d'entit\u00e9s en relation, avec des tailles variant entre 4 et 280 relations. De plus amples d\u00e9tails sur la construction de cette r\u00e9f\u00e9rence et les mesures d'\u00e9valuation utilis\u00e9es sont donn\u00e9s dans",
"num": null
},
"TABREF6": {
"content": "<table/>",
"type_str": "table",
"html": null,
"text": "R\u00e9sultats du clustering de base pour plusieurs pond\u00e9rations en utilisant le Markov Clustering (MCL) et un premier regroupement par mots-cl\u00e9s Le regroupement sur la base de la similarit\u00e9 utilisant une pond\u00e9ration grammaticale donne les meilleurs r\u00e9sultats, avec une meilleure pr\u00e9cision et un rappel satisfaisant. Cette pond\u00e9ration",
"num": null
},
"TABREF8": {
"content": "<table><tr><td>4.3 \u00c9tude des avantages du clustering multi-niveau</td></tr><tr><td>Comme indiqu\u00e9 au d\u00e9but de la section 3.1, le calcul des similarit\u00e9s s\u00e9mantiques est beaucoup plus</td></tr><tr><td>co\u00fbteux que le calcul d'une simple mesure Cosinus. Le nombre total de relations atteint 165 708</td></tr><tr><td>(cf. tableau 1), alors que le nombre de clusters de base n'est que de 11 726 (cf. tableau 4). Un</td></tr><tr><td>premier avantage du clustering multi-niveau est donc d'\u00e9viter de calculer un trop grand nombre</td></tr><tr><td>de similarit\u00e9s co\u00fbteuses. Mais, parall\u00e8lement, il permet \u00e9galement d'am\u00e9liorer la qualit\u00e9 de</td></tr><tr><td>l'organisation s\u00e9mantique des relations, en exploitant la redondance d'information pr\u00e9sente dans</td></tr><tr><td>les clusters de base.</td></tr></table>",
"type_str": "table",
"html": null,
"text": "Exemples de mots regroup\u00e9s dans les clusters s\u00e9mantiques Pour v\u00e9rifier cette hypoth\u00e8se, nous avons compar\u00e9, en nous appuyant sur notre r\u00e9f\u00e9rence, la distribution des similarit\u00e9s entre les relations initiales et entre les clusters de base. Dans un premier temps, nous avons examin\u00e9 toutes les similarit\u00e9s entre deux instances de relations appartenant au m\u00eame cluster de r\u00e9f\u00e9rence (distribution intra-cluster D int ra ) et les similarit\u00e9s entre deux instances appartenant \u00e0 des clusters diff\u00e9rents (distribution intra-cluster D inter ), avec l'hypoth\u00e8se que ces distributions sont bien s\u00e9par\u00e9es (avec une moyenne \u00e9lev\u00e9e pour D int ra et basse pour D inter ). Dans un second temps, nous \u00e9tablissons les m\u00eames distributions de similarit\u00e9s pour les clusters de base, en associant \u00e0 chaque cluster de r\u00e9f\u00e9rence l'ensemble des clusters de base qu'il recouvre. Les distributions de similarit\u00e9 obtenues sont pr\u00e9sent\u00e9es \u00e0 la figure 2 pour la similarit\u00e9 Dist cooc , la m\u00eame tendance \u00e9tant observ\u00e9e pour les autres similarit\u00e9s.",
"num": null
}
}
}
} |