wiki:survey/RelationExtraction

Version 9 (modified by sperber, 15 years ago) (diff)

--

RELATION EXTRACTION

Nützliches:
1. REES: A Large-Scale Relation and Event Extraction System, 2000
http://www.aclweb.org/anthology-new/A/A00/A00-1011.pdf[[BR]] benutzt 100 vorgegebene Regeln, um Relationen zu extrahieren. Scheint ganz gut zu funktionieren, je nach Regel zwischen 53% und 73%. Allerdings ist es sehr aufwändig, für jede Relation eigens alle möglichen Regeln zu formulieren.

2. Probabilistic Reasoning for Entity & Relation Recognition, 2002
http://l2r.cs.uiuc.edu/~danr/Papers/er-coling02.pdf
Versuch, Entities und Relationen gleichzeitig zu extrahieren, um Fehler wegen Zweideutigkeiten zu verhindern. Es werden erst seperate classifier für Entities und Relationen mit Wahrscheinlichkeiten berechnet, und dann mit einem probabilistischen Ansatz unter Berücksichtigung gegenseitiger Abhängigkeiten daraus berechnet, welche davon am wahrscheinlichsten sind. Liefert sehr gute Ergebnisse (>80% für Entities, >60% für Relationen), allerdings ist der Rechenaufwand sehr hoch.

3. Question Answering Towards Automatic Augmentations of Ontology Instances, 2004
http://eprints.ecs.soton.ac.uk/8911/1/sangheekimesws2004-prepress.doc
Der Relation Extraction Teil von OntotripleQA benutzt im Wesentlichen einen Ontologie + Wordnet Ansatz.

4. Tree Kernel-based Relation Extraction with Context-Sensitive Structured Parse Tree Information
http://www.aclweb.org/anthology-new/D/D07/D07-1076.pdf
Laut eigenen Angaben der Relation Extraction Algorithmus mit der derzeit besten Performance. Benutzt eine Mischung aus feature-based und kernel tree-based relation extraction. Im zweiten Kapitel ist auch ein recht guter Überblick über den aktuellen Stand der Dinge vorhanden. Dort werden aktuelle Methoden so kategorisiert:

  • feature-based, bester Vertreter:

http://delivery.acm.org/10.1145/1230000/1220191/p121-zhou.pdf?key1=1220191&key2=7081033221&coll=GUIDE&dl=GUIDE&CFID=5160006&CFTOKEN=11574978

  • kernel-base, bester Vertreter:

http://delivery.acm.org/10.1145/1230000/1220279/p825-zhang.pdf?key1=1220279&key2=4002033221&coll=GUIDE&dl=GUIDE&CFID=5160446&CFTOKEN=73252689


Sonstiges Verwandtes:
1. Paper: Inferring the Meaning of Verbs from Context, Wiemer-Hastings, 1998 http://reed.cs.depaul.edu/peterwh/papers/Wiemer-Hastingscogsci98.pdf 10 Jahre alt, also nicht mehr ganz state-of-the-art; führt eine statistische Bestimmung unter Berücksichtigung des Syntax durch, um die Bedeutung unbekannter Verben herauszufinden. Nicht ganz die Problemstellung, aber vielleicht lässt sich darauf etwas nützliches ableiten, wenn man sich näher damit beschäftigt.

2. Paper: Ontology Learning for the Semantic Web, Maedche/Staab, 2001 http://ieeexplore.ieee.org/iel5/9670/19905/00920602.pdf?tp=&isnumber=&arnumber=920602 Laut Abstract werden eine Reihe von semiautomatischen Tools zur Konstruktion von Ontologien vorgestellt, hatte aber keine Zeit mehr, nachzuschauen, ob da etwas nützliches dabei war.

3. Paper: Shallow Semantics for Relation Extraction, >=2004 http://dli.iiit.ac.in/ijcai/IJCAI-05/PDF/1589.pdf führt eine Syntax-Analyse durch und darauf aufbauend eine semantische Analyse. Benutzt dazu zwei interessante Datenbanken: Propbank (http://www.cs.rochester.edu/~gildea/PropBank/) führt für Verben die möglichen syntaktischen Strukturen auf, Framenet (http://framenet.icsi.berkeley.edu/) wird so beschrieben: The aim is to document the range of semantic and syntactic combinatory possibilities (valences) of each word in each of its senses, through computer-assisted annotation of example sentences and automatic tabulation and display of the annotation results.