Amélioration de l'extraction de relations non supervisée en utilisant la NER

Les systèmes d'extraction sur le Web tentent d'utiliser l'immense quantité de texte non étiqueté sur le Web afin de créer de grandes listes d'entités et de relations. Contrairement aux méthodes traditionnelles d'extraction d'information, les systèmes d'extraction du Web n'étiquettent pas chaque mention de l'entité ou de la relation cible, mais se concentrent plutôt sur l'extraction du plus grand nombre possible d'instances différentes tout en maintenant une précision raisonnablement élevée de la liste résultante. URES est un système d'extraction de relations Web qui apprend des modèles d'extraction puissants à partir de texte non étiqueté, en utilisant de courtes descriptions des relations cibles et de leurs attributs. La performance d'URES est encore améliorée par la classification de ses instances de sortie en utilisant les propriétés des modèles extraits. Les caractéristiques que nous utilisons pour la classification et le modèle de classification entraîné sont indépendants de la relation cible, ce que nous démontrons dans une série d'expérimentations. Dans cet article, nous montrons comment l'introduction d'une simple NER basée sur des règles peut améliorer la performance d'URES sur une variété de relations. Nous comparons également la performance d'URES à celle du système KnowItAll à la pointe de la technologie, et à la performance de son composant d'apprentissage de modèles, qui utilise un langage de modèles plus simple et moins puissant qu'URES.