Apprentissage d'une hiérarchie de modèles à paires spécialisés pour la résolution de la coréférence - Archive ouverte HAL Access content directly
Conference Papers Year : 2013

Apprentissage d'une hiérarchie de modèles à paires spécialisés pour la résolution de la coréférence

(1) , (2)
1
2

Abstract

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.
Fichier principal
Vignette du fichier
main.pdf (165.64 Ko) Télécharger le fichier
Origin : Files produced by the author(s)
Loading...

Dates and versions

hal-00825617 , version 1 (09-06-2013)

Identifiers

  • HAL Id : hal-00825617 , version 1

Cite

Emmanuel Lassalle, Pascal Denis. Apprentissage d'une hiérarchie de modèles à paires spécialisés pour la résolution de la coréférence. TALN 2013 - 20ème conférence du Traitement Automatique du Langage Naturel 2013, Jun 2013, Les Sables-d'Olonne, France. ⟨hal-00825617⟩
253 View
896 Download

Share

Gmail Facebook Twitter LinkedIn More