@inproceedings{tuo-etal-2024-extraction,
title = "Extraction des arguments d'{\'e}v{\'e}nements {\`a} partir de peu d`exemples par m{\'e}ta-apprentissage",
author = "Tuo, Aboubacar and
Besan{\c{c}}on, Romaric and
Ferret, Olivier and
Tourille, Julien",
editor = "Balaguer, Mathieu and
Bendahman, Nihed and
Ho-dac, Lydia-Mai and
Mauclair, Julie and
G Moreno, Jose and
Pinquier, Julien",
booktitle = "Actes de la 31{\`e}me Conf{\'e}rence sur le Traitement Automatique des Langues Naturelles, volume 1 : articles longs et prises de position",
month = "7",
year = "2024",
address = "Toulouse, France",
publisher = "ATALA and AFPC",
url = "https://aclanthology.org/2024.jeptalnrecital-taln.7/",
pages = "97--112",
language = "fra",
abstract = "Les m{\'e}thodes d`apprentissage avec peu d`exemples pour l`extraction d'{\'e}v{\'e}nements sont d{\'e}velopp{\'e}es pour r{\'e}duire le co{\^u}t d`annotation des donn{\'e}es. Cependant, la plupart des {\'e}tudes sur cette t{\^a}che se concentrent uniquement sur la d{\'e}tection des d{\'e}clencheurs d'{\'e}v{\'e}nements et aucune {\'e}tude n`a {\'e}t{\'e} propos{\'e}e sur l`extraction d`arguments dans un contexte de m{\'e}ta-apprentissage. Dans cet article, nous {\'e}tudions l`extraction d`arguments d'{\'e}v{\'e}nements avec peu d`exemples en exploitant des r{\'e}seaux prototypiques et en consid{\'e}rant la t{\^a}che comme un probl{\`e}me de classification de relations. De plus, nous proposons d`am{\'e}liorer les repr{\'e}sentations des relations en injectant des connaissances syntaxiques dans le mod{\`e}le par le biais de r{\'e}seaux de convolution sur les graphes. Nos {\'e}valuations montrent que cette approche obtient de bonnes performances sur ACE 2005 dans plusieurs configurations avec peu d`exemples et soulignent l`importance des connaissances syntaxiques pour cette t{\^a}che."
}
<?xml version="1.0" encoding="UTF-8"?>
<modsCollection xmlns="http://www.loc.gov/mods/v3">
<mods ID="tuo-etal-2024-extraction">
<titleInfo>
<title>Extraction des arguments d’événements à partir de peu d‘exemples par méta-apprentissage</title>
</titleInfo>
<name type="personal">
<namePart type="given">Aboubacar</namePart>
<namePart type="family">Tuo</namePart>
<role>
<roleTerm authority="marcrelator" type="text">author</roleTerm>
</role>
</name>
<name type="personal">
<namePart type="given">Romaric</namePart>
<namePart type="family">Besançon</namePart>
<role>
<roleTerm authority="marcrelator" type="text">author</roleTerm>
</role>
</name>
<name type="personal">
<namePart type="given">Olivier</namePart>
<namePart type="family">Ferret</namePart>
<role>
<roleTerm authority="marcrelator" type="text">author</roleTerm>
</role>
</name>
<name type="personal">
<namePart type="given">Julien</namePart>
<namePart type="family">Tourille</namePart>
<role>
<roleTerm authority="marcrelator" type="text">author</roleTerm>
</role>
</name>
<originInfo>
<dateIssued>2024-07</dateIssued>
</originInfo>
<typeOfResource>text</typeOfResource>
<language>
<languageTerm type="text">fra</languageTerm>
</language>
<relatedItem type="host">
<titleInfo>
<title>Actes de la 31ème Conférence sur le Traitement Automatique des Langues Naturelles, volume 1 : articles longs et prises de position</title>
</titleInfo>
<name type="personal">
<namePart type="given">Mathieu</namePart>
<namePart type="family">Balaguer</namePart>
<role>
<roleTerm authority="marcrelator" type="text">editor</roleTerm>
</role>
</name>
<name type="personal">
<namePart type="given">Nihed</namePart>
<namePart type="family">Bendahman</namePart>
<role>
<roleTerm authority="marcrelator" type="text">editor</roleTerm>
</role>
</name>
<name type="personal">
<namePart type="given">Lydia-Mai</namePart>
<namePart type="family">Ho-dac</namePart>
<role>
<roleTerm authority="marcrelator" type="text">editor</roleTerm>
</role>
</name>
<name type="personal">
<namePart type="given">Julie</namePart>
<namePart type="family">Mauclair</namePart>
<role>
<roleTerm authority="marcrelator" type="text">editor</roleTerm>
</role>
</name>
<name type="personal">
<namePart type="given">Jose</namePart>
<namePart type="family">G Moreno</namePart>
<role>
<roleTerm authority="marcrelator" type="text">editor</roleTerm>
</role>
</name>
<name type="personal">
<namePart type="given">Julien</namePart>
<namePart type="family">Pinquier</namePart>
<role>
<roleTerm authority="marcrelator" type="text">editor</roleTerm>
</role>
</name>
<originInfo>
<publisher>ATALA and AFPC</publisher>
<place>
<placeTerm type="text">Toulouse, France</placeTerm>
</place>
</originInfo>
<genre authority="marcgt">conference publication</genre>
</relatedItem>
<abstract>Les méthodes d‘apprentissage avec peu d‘exemples pour l‘extraction d’événements sont développées pour réduire le coût d‘annotation des données. Cependant, la plupart des études sur cette tâche se concentrent uniquement sur la détection des déclencheurs d’événements et aucune étude n‘a été proposée sur l‘extraction d‘arguments dans un contexte de méta-apprentissage. Dans cet article, nous étudions l‘extraction d‘arguments d’événements avec peu d‘exemples en exploitant des réseaux prototypiques et en considérant la tâche comme un problème de classification de relations. De plus, nous proposons d‘améliorer les représentations des relations en injectant des connaissances syntaxiques dans le modèle par le biais de réseaux de convolution sur les graphes. Nos évaluations montrent que cette approche obtient de bonnes performances sur ACE 2005 dans plusieurs configurations avec peu d‘exemples et soulignent l‘importance des connaissances syntaxiques pour cette tâche.</abstract>
<identifier type="citekey">tuo-etal-2024-extraction</identifier>
<location>
<url>https://aclanthology.org/2024.jeptalnrecital-taln.7/</url>
</location>
<part>
<date>2024-7</date>
<extent unit="page">
<start>97</start>
<end>112</end>
</extent>
</part>
</mods>
</modsCollection>
%0 Conference Proceedings
%T Extraction des arguments d’événements à partir de peu d‘exemples par méta-apprentissage
%A Tuo, Aboubacar
%A Besançon, Romaric
%A Ferret, Olivier
%A Tourille, Julien
%Y Balaguer, Mathieu
%Y Bendahman, Nihed
%Y Ho-dac, Lydia-Mai
%Y Mauclair, Julie
%Y G Moreno, Jose
%Y Pinquier, Julien
%S Actes de la 31ème Conférence sur le Traitement Automatique des Langues Naturelles, volume 1 : articles longs et prises de position
%D 2024
%8 July
%I ATALA and AFPC
%C Toulouse, France
%G fra
%F tuo-etal-2024-extraction
%X Les méthodes d‘apprentissage avec peu d‘exemples pour l‘extraction d’événements sont développées pour réduire le coût d‘annotation des données. Cependant, la plupart des études sur cette tâche se concentrent uniquement sur la détection des déclencheurs d’événements et aucune étude n‘a été proposée sur l‘extraction d‘arguments dans un contexte de méta-apprentissage. Dans cet article, nous étudions l‘extraction d‘arguments d’événements avec peu d‘exemples en exploitant des réseaux prototypiques et en considérant la tâche comme un problème de classification de relations. De plus, nous proposons d‘améliorer les représentations des relations en injectant des connaissances syntaxiques dans le modèle par le biais de réseaux de convolution sur les graphes. Nos évaluations montrent que cette approche obtient de bonnes performances sur ACE 2005 dans plusieurs configurations avec peu d‘exemples et soulignent l‘importance des connaissances syntaxiques pour cette tâche.
%U https://aclanthology.org/2024.jeptalnrecital-taln.7/
%P 97-112
Markdown (Informal)
[Extraction des arguments d’événements à partir de peu d’exemples par méta-apprentissage](https://aclanthology.org/2024.jeptalnrecital-taln.7/) (Tuo et al., JEP/TALN/RECITAL 2024)
ACL