İçeriğe atla
Arama sonuçlarına dön

İlişki Çıkarımı — Varlıklar Arasındaki Anlamsal İlişkiler

Tür
NLP information-extraction task

Bu metin makine çevirisidir ve henüz incelenmedi. Asıl metni İngilizce oku

Yazı boyutu

Ne işe yarar?

İlişki çıkarımı, metinde bahsedilen varlıklar arasındaki anlamsal ilişkileri tespit eden ve sınıflandıran bir doğal dil işleme görevidir.

Erken dönem çekirdek tabanlı yöntemlerden (Zelenko ve arkadaşları, 2003) ve daha sonraki sinirsel eşleştirme yaklaşımlarından (Baldini Soares ve arkadaşları, 2019) yararlanarak, serbest biçimli metni varlık–ilişki–varlık biçimindeki yapılandırılmış olgulara dönüştürür.

Yöntemin mantığı

Bir cümle iki şeyi – bir kişiyi ve bir şirketi, bir ilacı ve bir hastalığı – adlandırabilir ve aralarındaki bağlantıyı sessizce belirtebilir. İlişki çıkarımı, bu bağlantıyı metinden okuyup etiketlemekle ilgilidir. Yöntem, yalnızca hangi varlıkların göründüğünü tespit etmek yerine, verilen bir varlık çiftini hangi ilişkinin bağladığını sorar ve her çifte tanımlanmış bir kümeden çekilen bir ilişki türü atar.

Tarih

İlişki çıkarımının, Zelenko ve arkadaşlarının (2003) metinden ilişkileri çıkarmak için çekirdek yöntemleri uyguladığı çekirdek tabanlı makine öğrenmesi yöntemlerinde kökleri vardır. Görev daha sonra sinirsel temsillere doğru kaydı; Baldini Soares ve arkadaşları (2019), dağılımsal benzerlikten ilişki temsillerini öğrenen 'Matching the Blanks' (Boşlukları Eşleştirme) yaklaşımını tanıttı ve bu da önceden eğitilmiş modellere doğru genel hareketi yansıtmaktadır.

Ne zaman kullanılır?

Metin verileriniz olduğunda ve yalnızca varlıkların kendileri yerine varlıklar arasındaki anlamsal bağlantıları istediğinizde ilişki çıkarımı uygundur. Etiketlenmiş bir ilişki veri kümesinin mevcut olduğunu varsayar, NER çıktısını ön koşul olarak gerektirir ve metin ön işlemenin ilk önce yapılmasını gerektirir. Önerilen minimum yaklaşık 100 belge ile denetimli bir görev olduğundan, güvenilir ilişki sınıflandırmasını destekleyecek kadar büyük derlemler için en uygunudur.

Sınırlar ve dikkat edilmesi gerekenler

  • Oluşturması maliyetli olan etiketlenmiş bir ilişki veri kümesi gerektirir.
  • Ön koşul olarak adlandırılmış varlık tanımına dayanır, bu nedenle NER hataları çıkarılan ilişkilere yayılır.
  • İlişkileri güvenilir bir şekilde sınıflandırmak için yeterince büyük bir derlem gerektirir — kabaca 100 belge veya daha fazla.

Kaynak metnin koşulları, bağımsız bilimsel inceleme veya analiz motoru doğrulaması yerine geçmez.

Güçlü yönleri

  • Yapılandırılmamış metni, bilgi tabanlarını ve sonraki analizleri besleyebilecek yapılandırılmış varlık–ilişki–varlık olgularına dönüştürür.
  • Varlıkların var olduğunu basitçe tespit etmenin ötesine geçerek, varlıklar arasındaki anlamsal bağlantıyı sınıflandırır.
  • Metin derlemleri üzerinde hem açıklayıcı hem de ilişkisel analiz hedeflerini destekler.

Uygulama alanları

  • Metinden çıkarılan yapılandırılmış varlık–ilişki–varlık olgularıyla bilgi tabanlarını doldurmak.
  • Belgelerden kişi–kuruluş veya ilaç–hastalık bağlantıları gibi ilişkileri çıkarmak.
  • Yalnızca ham varlık anmaları yerine türlendirilmiş (tipli) ilişkiler gerektiren bilgi çıkarma iş akışlarını desteklemek.
  • Büyük metin derlemlerinin ilişkisel ve açıklayıcı analizini olanaklı kılmak.

Nasıl çalışır?

Nasıl çalışır?

1

Ham metin, sonraki bileşenlerin tutarlı girdi görmesi için temizlenir ve hazırlanır. Metin ön işleme, yöntemin belirtilen bir varsayımıdır: olmadan, varlık tespiti ve ilişki sınıflandırması gürültülü, tutarsız birimler üzerinde çalışır.

2

Adlandırılmış varlık tanıma (NER), varlıkları metinde bulmak için ilk önce çalıştırılır — çıktısı ilişki çıkarımı için bir ön koşuldur. Daha sonra, her çiftin olası bir ilişki için incelenebilmesi amacıyla tanınan varlıklardan aday varlık çiftleri oluşturulur.

3

Her aday varlık çifti, etiketlenmiş bir ilişki veri kümesi üzerinde eğitilmiş bir model kullanılarak anlamsal bir ilişki türüne göre sınıflandırılır. Çıktı, metni yapılandırılmış varlık–ilişki–varlık olgularına dönüştüren, varlık çiftlerini birbirine bağlayan türlendirilmiş ilişkiler kümesidir.

4

Çıkarılan ilişkiler güvenilir kabul edilip sonraki aşamalarda kullanılmadan önce kalitenin kontrol edilmesi için etiketlenmiş ilişki verilerine karşı puanlanır.

Sık yapılan hatalar

  • Metin ön işlemeyi atlamak, hem varlık tespitini hem de ilişki sınıflandırmasını bozan gürültülü, tutarsız birimler bırakır.
  • NER'yi isteğe bağlı olarak ele almak: ilişki çıkarımı varlık tespitine bağlıdır, bu nedenle zayıf NER çıktısı tüm iş akışını zayıflatır.
  • Çok az belge üzerinde çalıştırmak (yaklaşık 100'ün altında) güvenilmez ilişki sınıflandırması ile sonuçlanır.
  • Her varlık çifti için bir ilişki olduğunu varsaymak; birçok çift tanımlanmış bir ilişki taşımaz ve bu şekilde sınıflandırılmalıdır.

Sık sorulan sorular

İlişki çıkarımı, adlandırılmış varlık tanımından nasıl farklıdır?

NER, metindeki varlıkları – kişiler, kuruluşlar, yerler vb. – bulur. İlişki çıkarımı bir adım öteye giderek bir varlık çiftinin nasıl ilişkili olduğunu sınıflandırır. NER çıktısı aslında bir ön koşuldur: ilişki çıkarımı, NER'nin zaten tespit ettiği varlıklar üzerinde çalışır.

Etiketlenmiş veriye ihtiyacım var mı?

Evet. Buradaki ilişki çıkarımı, ilişki sınıflandırıcısını eğitmek ve değerlendirmek için kullanılan etiketlenmiş bir ilişki veri kümesinin mevcut olduğunu varsayan denetimli bir görevdir.

Ne kadar metne ihtiyacım var?

Yaklaşık 100 belge minimum önerilir. Daha az belge ile ilişki sınıflandırması güvenilmez hale gelir.

Çıktı neye benziyor?

Çıktı, varlık çiftleri arasındaki etiketli anlamsal ilişkiler kümesidir – metinden çıkarılan ve değerlendirme sırasında etiketlenmiş ilişki verilerine karşı kontrol edilen yapılandırılmış varlık–ilişki–varlık olguları.

İlgili yöntemler

Kaynaklar

  1. Zelenko, D., Aone, C. & Richardella, A. (2003). Kernel Methods for Relation Extraction. Journal of Machine Learning Research, 3, 1083-1106.

    Yayın kaynağını aç
    Kopyalandı.
  2. Soares, L. B., FitzGerald, N., Ling, J. & Kwiatkowski, T. (2019). Matching the Blanks: Distributional Similarity for Relation Learning. Proceedings of ACL 2019.

    DOI kaynağını aç
    Kopyalandı.