Raffinement itératif pour l’analyse des dépendances temporelles à l’échelle du document
Ensieh Hemmatan, Benoit Crabbé, Timothée Bernard
Résumé : L'analyse de dépendances temporelles vise à prédire des dépendances entre événements et expressions temporelles. Les modèles neuronaux traditionnels s'appuient sur des encodeurs préentraînés et un modèle de scorage des relations possibles. Les relations sont prédites indépendamment les unes des autres sans modéliser explicitement leurs inter-dépendances. De manière à approcher une prédiction globale, nous proposons un analyseur supervisé qui alterne prédiction de graphe et raffinement des représentations des nœuds. Notre modèle itératif obtient des gains, par rapport à notre modèle de base, de +2.38 points en macro F1 étiqueté (au niveau du document) et de +2.09 points en macro F1 non étiqueté. Nos analyses sur l'ensemble de développement montrent des gains monotones et une augmentation de la stabilité des prédictions au fil des étapes de raffinement. Ces résultats montrent l'intérêt du raffinement itératif comme méthode de modélisation pour l'analyse de dépendances temporelles à l'échelle du document.
Mots clés : analyse de dépendances temporelles, raffinement itératif, graphes de dépendances temporelles, réseaux de neurones sur graphes