Extração de Relações — Relações Semânticas Entre Entidades
- Tipo
- NLP information-extraction task
Este texto é uma tradução automática e ainda não foi revisado. Ler o original em inglês
O que ele faz?
Extração de relações é uma tarefa de processamento de linguagem natural que detecta e classifica as relações semânticas que existem entre entidades mencionadas em texto.
Baseando-se em métodos iniciais baseados em kernel (Zelenko e colegas, 2003) e abordagens posteriores de correspondência neural (Baldini Soares e colegas, 2019), ela transforma texto livre em fatos estruturados do tipo entidade–relação–entidade.
A intuição por trás do método
Uma frase pode nomear duas coisas — uma pessoa e uma empresa, uma droga e uma doença — e indicar silenciosamente como elas estão conectadas. Extração de relações trata de ler essa conexão a partir do texto e rotulá-la. Em vez de apenas identificar quais entidades aparecem, o método pergunta qual relação liga um par de entidades dado e atribui a cada par um tipo de relação extraído de um conjunto definido.
História
A extração de relações tem raízes em métodos de aprendizado de máquina baseados em kernel, exemplificados por Zelenko e colegas (2003), que aplicaram métodos de kernel para extrair relações de texto. A tarefa posteriormente se voltou para representações neurais, com Baldini Soares e colegas (2019) introduzindo a abordagem 'Matching the Blanks' que aprende representações de relações a partir da similaridade distribucional, refletindo a tendência mais ampla em direção a modelos pré-treinados.
Quando usar
Extração de relações é adequada quando você tem dados de texto e deseja os links semânticos entre entidades, em vez de apenas as entidades em si. Assume que um conjunto de dados de relações rotulado está disponível, requer a saída de NER como pré-requisito e necessita que o pré-processamento de texto seja feito primeiro. Como é uma tarefa supervisionada com um mínimo recomendado de cerca de 100 documentos, é mais adequada para corpora grandes o suficiente para suportar classificação de relações confiável.
Limitações e considerações
- Requer um conjunto de dados de relações rotulado, que é caro de construir.
- Depende do reconhecimento de entidades nomeadas como pré-requisito, de modo que erros de NER se propagam para as relações extraídas.
- Necessita de um corpus suficientemente grande — aproximadamente 100 documentos ou mais — para classificar relações de forma confiável.
As condições da fonte não substituem a revisão científica independente nem a validação por um motor de análise.
Pontos fortes
- Transforma texto não estruturado em fatos estruturados de entidade–relação–entidade que podem alimentar bases de conhecimento e análises subsequentes.
- Classifica o elo semântico entre entidades, indo além de simplesmente detectar que as entidades existem.
- Suporta objetivos de análise tanto explicativa quanto relacional sobre corpora de texto.
Aplicações
- Popular bases de conhecimento com fatos estruturados de entidade–relação–entidade extraídos de texto.
- Extrair relacionamentos como links pessoa–organização ou droga–doença de documentos.
- Apoiar pipelines de extração de informação que necessitam de relações tipadas em vez de menções brutas de entidades.
- Possibilitar análise relacional e explicativa de grandes corpora de texto.
Como funciona
Como funciona
O texto bruto é limpo e preparado para que os componentes subsequentes recebam uma entrada consistente. Pré-processamento de texto é uma suposição declarada do método: sem ele, a detecção de entidades e a classificação de relações operam sobre unidades ruidosas e inconsistentes.
Reconhecimento de entidades nomeadas (NER) é executado primeiro para localizar as entidades no texto — sua saída é um pré-requisito para a extração de relações. Pares de entidades candidatos são então formados a partir das entidades reconhecidas para que cada par possa ser examinado quanto a uma possível relação.
Cada par de entidades candidato é classificado em um tipo de relação semântica usando um modelo treinado em um conjunto de dados de relações rotulado. A saída é um conjunto de relações tipadas ligando pares de entidades, transformando o texto em fatos estruturados de entidade–relação–entidade.
As relações previstas são pontuadas em relação aos dados de relações rotulados para que a qualidade seja verificada antes que as relações extraídas sejam confiáveis e usadas posteriormente.
Erros comuns
- Pular o pré-processamento de texto deixa unidades ruidosas e inconsistentes que degradam tanto a detecção de entidades quanto a classificação de relações.
- Tratar NER como opcional: a extração de relações depende da detecção de entidades, de modo que uma saída fraca de NER prejudica todo o pipeline.
- Executar em poucos documentos (menos de ~100) resulta em classificação de relações não confiável.
- Assumir que uma relação existe para cada par de entidades; muitos pares não carregam uma relação definida e devem ser classificados como tal.
Perguntas frequentes
Como a extração de relações difere do reconhecimento de entidades nomeadas?
NER encontra as entidades em texto — as pessoas, organizações, lugares, etc. A extração de relações vai um passo adiante e classifica como um par de entidades está relacionado. A saída de NER é, de fato, um pré-requisito: a extração de relações opera sobre as entidades que NER já detectou.
Preciso de dados rotulados?
Sim. A extração de relações aqui é uma tarefa supervisionada que assume que um conjunto de dados de relações rotulado está disponível, usado para treinar e avaliar o classificador de relações.
Quanto texto preciso?
Um mínimo de cerca de 100 documentos é recomendado. Com menos documentos, a classificação de relações torna-se não confiável.
Como é a saída?
A saída é um conjunto de relações semânticas tipadas entre pares de entidades — fatos estruturados de entidade–relação–entidade extraídos do texto e verificados contra dados de relações rotulados durante a avaliação.
Métodos relacionados
Fontes
Zelenko, D., Aone, C. & Richardella, A. (2003). Kernel Methods for Relation Extraction. Journal of Machine Learning Research, 3, 1083-1106.
Abrir referência da publicaçãoCopiado.Soares, L. B., FitzGerald, N., Ling, J. & Kwiatkowski, T. (2019). Matching the Blanks: Distributional Similarity for Relation Learning. Proceedings of ACL 2019.
Abrir referência DOICopiado.