Ekstraksi Relasi — Relasi Semantik Antar Entitas
- Jenis
- NLP information-extraction task
Teks ini adalah terjemahan mesin dan belum ditinjau. Baca versi asli dalam bahasa Inggris
Apa fungsinya?
Ekstraksi relasi adalah tugas pemrosesan bahasa alami yang mendeteksi dan mengklasifikasikan relasi semantik yang berlaku antar entitas yang disebutkan dalam teks.
Berlandaskan metode berbasis kernel awal (Zelenko dan kolega, 2003) dan pendekatan pencocokan saraf kemudian (Baldini Soares dan kolega, 2019), tugas ini mengubah teks bebas menjadi fakta terstruktur dalam bentuk entitas–relasi–entitas.
Intuisi di balik metode
Sebuah kalimat dapat menyebutkan dua hal — seseorang dan sebuah perusahaan, obat dan penyakit — dan secara diam-diam menyatakan bagaimana keduanya terhubung. Ekstraksi relasi adalah tentang membaca koneksi tersebut dari teks dan memberinya label. Alih-alih hanya mendeteksi entitas mana yang muncul, metode ini menanyakan relasi apa yang menghubungkan pasangan entitas tertentu, dan memberikan setiap pasangan tipe relasi yang diambil dari himpunan yang telah ditentukan.
Sejarah
Ekstraksi relasi berakar pada metode pembelajaran mesin berbasis kernel, yang dicontohkan oleh Zelenko dan kolega (2003), yang menerapkan metode kernel untuk mengekstraksi relasi dari teks. Tugas tersebut kemudian bergeser ke representasi saraf, dengan Baldini Soares dan kolega (2019) memperkenalkan pendekatan 'Matching the Blanks' yang mempelajari representasi relasi dari kesamaan distribusional, mencerminkan pergeseran yang lebih luas menuju model pra-terlatih.
Kapan digunakan
Ekstraksi relasi cocok ketika Anda memiliki data teks dan menginginkan tautan semantik antar entitas daripada hanya entitas itu sendiri. Metode ini mengasumsikan ketersediaan kumpulan data relasi berlabel, memerlukan keluaran NER sebagai prasyarat, dan membutuhkan pra-pemrosesan teks yang telah dilakukan terlebih dahulu. Karena ini adalah tugas terawasi dengan rekomendasi minimum sekitar 100 dokumen, metode ini paling cocok untuk korpus yang cukup besar untuk mendukung klasifikasi relasi yang andal.
Batasan dan pertimbangan
- Memerlukan kumpulan data relasi berlabel, yang mahal untuk dibangun.
- Bergantung pada pengenalan entitas bernama sebagai prasyarat, sehingga kesalahan NER merambat ke dalam relasi yang diekstraksi.
- Membutuhkan korpus yang cukup besar — kira-kira 100 dokumen atau lebih — untuk mengklasifikasikan relasi secara andal.
Syarat dari sumber tidak menggantikan tinjauan ilmiah independen atau validasi oleh mesin analisis.
Kelebihan
- Mengubah teks tidak terstruktur menjadi fakta entitas–relasi–entitas terstruktur yang dapat memberi makan basis pengetahuan dan analisis hilir.
- Mengklasifikasikan tautan semantik antar entitas, melampaui sekadar mendeteksi keberadaan entitas.
- Mendukung tujuan analisis eksplanatori dan relasional pada korpus teks.
Penerapan
- Mengisi basis pengetahuan dengan fakta entitas–relasi–entitas terstruktur yang ditambang dari teks.
- Mengekstraksi hubungan seperti tautan orang–organisasi atau obat–penyakit dari dokumen.
- Mendukung alur kerja ekstraksi informasi yang memerlukan relasi bertipe daripada penyebutan entitas mentah.
- Memungkinkan analisis relasional dan eksplanatori pada korpus teks besar.
Cara kerjanya
Cara kerjanya
Teks mentah dibersihkan dan dipersiapkan agar komponen hilir menerima masukan yang konsisten. Pra-pemrosesan teks adalah asumsi yang dinyatakan dari metode ini: tanpanya, deteksi entitas dan klasifikasi relasi bekerja pada unit yang berisik dan tidak konsisten.
Pengenalan entitas bernama (Named-Entity Recognition, NER) dijalankan terlebih dahulu untuk menemukan entitas dalam teks — keluarannya merupakan prasyarat untuk ekstraksi relasi. Pasangan entitas kandidat kemudian dibentuk dari entitas yang dikenali sehingga setiap pasangan dapat diperiksa untuk kemungkinan relasi.
Setiap pasangan entitas kandidat diklasifikasikan ke dalam tipe relasi semantik menggunakan model yang dilatih pada kumpulan data relasi berlabel. Keluaran dari proses ini adalah himpunan relasi bertipe yang menghubungkan pasangan entitas, mengubah teks menjadi fakta entitas–relasi–entitas yang terstruktur.
Relasi yang diprediksi dibandingkan dengan data relasi berlabel sehingga kualitasnya diperiksa sebelum relasi yang diekstraksi dipercaya dan digunakan di hilir.
Kesalahan umum
- Melewatkan pra-pemrosesan teks menghasilkan unit yang berisik dan tidak konsisten yang menurunkan kualitas deteksi entitas dan klasifikasi relasi.
- Memperlakukan NER sebagai opsional: ekstraksi relasi bergantung pada deteksi entitas, sehingga keluaran NER yang lemah merusak seluruh alur kerja.
- Menjalankan pada terlalu sedikit dokumen (di bawah ~100) menghasilkan klasifikasi relasi yang tidak dapat diandalkan.
- Mengasumsikan relasi ada untuk setiap pasangan entitas; banyak pasangan tidak memiliki relasi yang ditentukan dan harus diklasifikasikan demikian.
Pertanyaan yang sering diajukan
Bagaimana ekstraksi relasi berbeda dari pengenalan entitas bernama?
NER menemukan entitas dalam teks — orang, organisasi, tempat, dan sebagainya. Ekstraksi relasi melangkah lebih jauh dan mengklasifikasikan bagaimana pasangan entitas berhubungan. Keluaran NER sebenarnya adalah prasyarat: ekstraksi relasi beroperasi pada entitas yang telah dideteksi oleh NER.
Apakah saya memerlukan data berlabel?
Ya. Ekstraksi relasi di sini adalah tugas terawasi yang mengasumsikan ketersediaan kumpulan data relasi berlabel, yang digunakan untuk melatih dan mengevaluasi pengklasifikasi relasi.
Berapa banyak teks yang saya butuhkan?
Minimum sekitar 100 dokumen direkomendasikan. Dengan dokumen yang lebih sedikit, klasifikasi relasi menjadi tidak dapat diandalkan.
Seperti apa keluarannya?
Keluaran berupa himpunan relasi semantik bertipe antar pasangan entitas — fakta entitas–relasi–entitas terstruktur yang diekstraksi dari teks dan diperiksa terhadap data relasi berlabel selama evaluasi.
Metode terkait
Sumber
Zelenko, D., Aone, C. & Richardella, A. (2003). Kernel Methods for Relation Extraction. Journal of Machine Learning Research, 3, 1083-1106.
Buka referensi publikasiDisalin.Soares, L. B., FitzGerald, N., Ling, J. & Kwiatkowski, T. (2019). Matching the Blanks: Distributional Similarity for Relation Learning. Proceedings of ACL 2019.
Buka referensi DOIDisalin.