Conference Presentation
Reference
Extraction de Relations basées sur une Ontologie pour le Web Sémantique
NEBHI, Kamel
Abstract
La vision du Web Sémantique décrit par Sir Tim Berners-Lee en 1998 veut structurer les informations disponibles sur le World Wide Web pour permettre à des agents logiciels de raisonner sur le contenu des pages. L'annotation sémantique des documents Web est donc une étape clé pour la réalisation du Web sémantique à grande échelle. A terme, l'association des technologies du Web sémantique et la mise à disposition de ressources annotées permettraient par exemple d'inférer une nouvelle connaissance à partir de la connaissance apportée par les ontologies. Depuis une dizaine d'années, la majorité des recherches effectuées dans le domaine de l'annotation (semi-)automatique pour le Web sémantique (SHOE, KA2) ont été faites par des chercheurs issus de l'intelligence artificielle et comme nous fait remarquer A. Prareja-Lora : "[...] these researchers have been neglecting, somehow, the decades of work and the results obtained in the field of Corpus Linguistics on corpus annotation, not only in the semantic level, but also in other linguistic levels." Au vu des résultats peu convaincants obtenus en intelligence [...]
NEBHI, Kamel. Extraction de Relations basées sur une Ontologie pour le Web Sémantique. In:
Congrès International des Linguistes , Genève (Suisse), 21-27 juillet 2013, 2013
Available at:
http://archive-ouverte.unige.ch/unige:29386
Disclaimer: layout of this document may differ from the published version.
1 / 1
Extraction de Relations bas´ ees sur une Ontologie pour le Web S´ emantique
Congr`es International des Linguistes Gen`eve, Suisse, 21-27 Juillet 2013
Kamel Nebhi
Laboratoire d’Analyse et de Technologie du Langage D´epartement de Linguistique
Universit´e de Gen`eve
Le Web S´ emantique en quelques mots
o Nature du Web S´emantique:Concept - Activit´e du W3C - Ensemble de technologies o Fondateur: Tim Berners-Lee en 1998 o D´efinition: “une extension du web actuel
dans laquelle l’information se voit associ´ee `a un sens bien d´efini am´eliorant la capacit´e des ordinateurs [...] `a travailler en coop´eration.”
o L’appelation: Le terme “s´emantique” prˆete `a confusion, on est loin de la “s´emantique” au sens linguistique. En 2006, Tim Berners-Lee pr´ef`ere l’expression “Web de Donn´ees”
Kamel Nebhi (LATL, Gen`eve) ER bas´ees sur une Ontologie pour le WS 26 Juillet 2013 2 / 17
Le Web S´ emantique en quelques mots
o Nature du Web S´emantique: Concept - Activit´e du W3C - Ensemble de technologies o Fondateur:Tim Berners-Lee en 1998 o D´efinition:“une extension du web actuel
dans laquelle l’information se voit associ´ee `a un sens bien d´efini am´eliorant la capacit´e des ordinateurs [...] `a travailler en coop´eration.”
o L’appelation: Le terme “s´emantique” prˆete `a confusion, on est loin de la “s´emantique” au sens linguistique. En 2006, Tim Berners-Lee pr´ef`ere l’expression “Web de Donn´ees”
Le Web S´ emantique en quelques mots
o Nature du Web S´emantique: Concept - Activit´e du W3C - Ensemble de technologies o Fondateur: Tim Berners-Lee en 1998 o D´efinition:“une extension du web actuel
dans laquelle l’information se voit associ´ee `a un sens bien d´efini am´eliorant la capacit´e des ordinateurs [...] `a travailler en coop´eration.”
o L’appelation: Le terme “s´emantique” prˆete `a confusion, on est loin de la “s´emantique” au sens linguistique. En 2006, Tim Berners-Lee pr´ef`ere l’expression “Web de Donn´ees”
Kamel Nebhi (LATL, Gen`eve) ER bas´ees sur une Ontologie pour le WS 26 Juillet 2013 2 / 17
Le Web S´ emantique en quelques mots
o Nature du Web S´emantique: Concept - Activit´e du W3C - Ensemble de technologies o Fondateur: Tim Berners-Lee en 1998 o D´efinition:“une extension du web actuel
dans laquelle l’information se voit associ´ee `a un sens bien d´efini am´eliorant la capacit´e des ordinateurs [...] `a travailler en coop´eration.”
o L’appelation: Le terme “s´emantique” prˆete `a confusion, on est loin de la “s´emantique” au sens linguistique. En 2006, Tim Berners-Lee pr´ef`ere l’expression “Web de Donn´ees”
Le Web S´ emantique en quelques mots
o Nature du Web S´emantique: Concept - Activit´e du W3C - Ensemble de technologies o Fondateur: Tim Berners-Lee en 1998 o D´efinition: “une extension du web actuel
dans laquelle l’information se voit associ´ee `a un sens bien d´efini am´eliorant la capacit´e des ordinateurs [...] `a travailler en coop´eration.”
o L’appelation:Le terme “s´emantique” prˆete `a confusion, on est loin de la “s´emantique” au sens linguistique. En 2006, Tim Berners-Lee pr´ef`ere l’expression “Web de Donn´ees”
Kamel Nebhi (LATL, Gen`eve) ER bas´ees sur une Ontologie pour le WS 26 Juillet 2013 2 / 17
Le Web S´ emantique en quelques mots
o Nature du Web S´emantique: Concept - Activit´e du W3C - Ensemble de technologies o Fondateur: Tim Berners-Lee en 1998 o D´efinition: “une extension du web actuel
dans laquelle l’information se voit associ´ee `a un sens bien d´efini am´eliorant la capacit´e des ordinateurs [...] `a travailler en coop´eration.”
o L’appelation:Le terme “s´emantique” prˆete `a confusion, on est loin de la “s´emantique” au sens linguistique. En 2006, Tim Berners-Lee pr´ef`ere l’expression “Web de Donn´ees”
Le Web S´ emantique en quelques mots
o Nature du Web S´emantique: Concept - Activit´e du W3C - Ensemble de technologies o Fondateur: Tim Berners-Lee en 1998 o D´efinition: “une extension du web actuel
dans laquelle l’information se voit associ´ee `a un sens bien d´efini am´eliorant la capacit´e des ordinateurs [...] `a travailler en coop´eration.”
o L’appelation:Le terme “s´emantique” prˆete `a confusion, on est loin de la “s´emantique” au sens linguistique. En 2006, Tim Berners-Lee pr´ef`ere l’expression “Web de Donn´ees”
Kamel Nebhi (LATL, Gen`eve) ER bas´ees sur une Ontologie pour le WS 26 Juillet 2013 2 / 17
Quelques Applications du Web S´ emantique
Contexte et Objectifs
Quel peut-ˆetre l’apport du TALN pour le WS ?
o Malgr´ e l’expansion du Linked Open Data cloud
1, le nombre de donn´ ees ouvertes et li´ ees ne permet pas encore un passage ` a l’´ echelle.
o La r´ ealisation du Web S´ emantique ` a grande ´ echelle implique donc l’annotation g´ en´ eralis´ ee de documents Web [Brewster and Wilks, 2009].
L’annotation pour le WS met en ´ evidence 6= tˆ aches de l’EI :
• Reconnaissance d’entit´ es nomm´ ees
• D´ esambigu¨ısation d’entit´ es nomm´ ees
• Extraction de relation
• R´ esolution d’anaphores et cor´ ef´ erences
1http://lod-cloud.net/
Kamel Nebhi (LATL, Gen`eve) ER bas´ees sur une Ontologie pour le WS 26 Juillet 2013 4 / 17
Contexte et Objectifs
L’annotation pour le WS
Annotation pour le Web S´ emantique
o Assigner ` a une entit´ e une m´ etadonn´ ee dont la s´ emantique est d´ efinie dans une ontologie (concepts, instances de concepts, relations).
o La majorit´ e des syst` emes d’annotation pour le WS sont centr´ es sur la REN.
o L’extraction de relations est un enjeu capital pour l’annotation automatique.
Syst`eme REN D´esambigu¨ısation ER Ev´´enement
Alchemy + - + -
DBpedia Spotlight + - - -
FRED + + + +
OpenCalais + - - -
Wikimeta + + - -
Zemanta + - - -
Table : Caract´eristiques des principaux syst`emes d’annotation pour le WS [Gangemi, 2013]
Contexte et Objectifs
L’annotation pour le WS
Annotation pour le Web S´ emantique
o Assigner ` a une entit´ e une m´ etadonn´ ee dont la s´ emantique est d´ efinie dans une ontologie (concepts, instances de concepts, relations).
o La majorit´ e des syst` emes d’annotation pour le WS sont centr´ es sur la REN.
o L’extraction de relations est un enjeu capital pour l’annotation automatique.
Syst`eme REN D´esambigu¨ısation ER Ev´´enement
Alchemy + - + -
DBpedia Spotlight + - - -
FRED + + + +
OpenCalais + - - -
Wikimeta + + - -
Zemanta + - - -
Table : Caract´eristiques des principaux syst`emes d’annotation pour le WS [Gangemi, 2013]
Kamel Nebhi (LATL, Gen`eve) ER bas´ees sur une Ontologie pour le WS 26 Juillet 2013 5 / 17
Plan
1
L’extraction de relation D´ efinition
Classification des approches
2
Proposition
Description du syst` eme Evaluation ´
3
Conclusion
L’extraction de relation D´efinition
D´ efinition
Extraction de Relation
o “processus dont l’objectif est de d´ eterminer l’existence d’un lien s´ emantique entre deux entit´ es ou plus dans un texte.” [Banko and Etzioni, 2008]
+ “Obama est n´ e aux USA.” BornIn(Obama, USA)
o Dans le cadre de l’annotation pour le WS: extraction de relations entre instances de concepts
+ “Obama est n´ e aux USA.” BornIn(Obama:president, USA:country)
Les relations s´ emantiques extraites peuvent ˆ etre utiles pour:
• les syst` emes de Question-R´ eponse
• la Recherche d’Information
• la construction et l’extension d’ontologies et de bases de connaissances
• l’annotation pour le WS
Kamel Nebhi (LATL, Gen`eve) ER bas´ees sur une Ontologie pour le WS 26 Juillet 2013 7 / 17
L’extraction de relation Classification des approches
Classification des approches d’ER
I - Approche non-supervis´eecollecte les paires d’entit´es co-occurrentes afin de g´en´erer des patrons d’extraction [Banko and Etzioni, 2008].
3 utiliser un corpus tr`es large
3 extraction d’un nombre important de relations 7 les r´esultats sont difficiles `a exploiter (mapping)
II - Approche supervis´eeutilise une m´ethodeprobabilistepour identifier les relations dans le texte [Rink and Harabagiu, 2010].
• corpus d’apprentissage pr´ealablement annot´e
• caract´eristiques6= (lexicales, syntaxiques, s´emantiques, ...) 3 r´esultats satisfaisants
7 n´ecessite un corpus d’apprentissage tr`es large 7 d´ependant du domaine
III - Approche dite “distant supervision”exploite les larges bases de connaissances disponibles afin de cr´eer un corpus d’apprentissage [Mintz et al., 2009].
• les relations extraites≡base d’exemples du mod`ele statistique 3 m´ethode ind´ependante du domaine et de la langue
7 bases de connaissances incompl`etes
7 r´esultats diff`erent selon le corpus (Wikip´edia, NYT)
L’extraction de relation Classification des approches
Classification des approches d’ER
I - Approche non-supervis´eecollecte les paires d’entit´es co-occurrentes afin de g´en´erer des patrons d’extraction [Banko and Etzioni, 2008].
3 utiliser un corpus tr`es large
3 extraction d’un nombre important de relations 7 les r´esultats sont difficiles `a exploiter (mapping)
II - Approche supervis´eeutilise une m´ethodeprobabilistepour identifier les relations dans le texte [Rink and Harabagiu, 2010].
• corpus d’apprentissage pr´ealablement annot´e
• caract´eristiques6= (lexicales, syntaxiques, s´emantiques, ...) 3 r´esultats satisfaisants
7 n´ecessite un corpus d’apprentissage tr`es large 7 d´ependant du domaine
III - Approche dite “distant supervision”exploite les larges bases de connaissances disponibles afin de cr´eer un corpus d’apprentissage [Mintz et al., 2009].
• les relations extraites≡base d’exemples du mod`ele statistique 3 m´ethode ind´ependante du domaine et de la langue
7 bases de connaissances incompl`etes
7 r´esultats diff`erent selon le corpus (Wikip´edia, NYT)
Kamel Nebhi (LATL, Gen`eve) ER bas´ees sur une Ontologie pour le WS 26 Juillet 2013 8 / 17
L’extraction de relation Classification des approches
Classification des approches d’ER
I - Approche non-supervis´eecollecte les paires d’entit´es co-occurrentes afin de g´en´erer des patrons d’extraction [Banko and Etzioni, 2008].
3 utiliser un corpus tr`es large
3 extraction d’un nombre important de relations 7 les r´esultats sont difficiles `a exploiter (mapping)
II - Approche supervis´eeutilise une m´ethodeprobabilistepour identifier les relations dans le texte [Rink and Harabagiu, 2010].
• corpus d’apprentissage pr´ealablement annot´e
• caract´eristiques6= (lexicales, syntaxiques, s´emantiques, ...) 3 r´esultats satisfaisants
7 n´ecessite un corpus d’apprentissage tr`es large 7 d´ependant du domaine
III - Approche dite “distant supervision”exploite les larges bases de connaissances disponibles afin de cr´eer un corpus d’apprentissage [Mintz et al., 2009].
• les relations extraites≡base d’exemples du mod`ele statistique 3 m´ethode ind´ependante du domaine et de la langue
7 bases de connaissances incompl`etes
7 r´esultats diff`erent selon le corpus (Wikip´edia, NYT)
L’extraction de relation Classification des approches
Classification des approches d’ER
I - Approche non-supervis´eecollecte les paires d’entit´es co-occurrentes afin de g´en´erer des patrons d’extraction [Banko and Etzioni, 2008].
3 utiliser un corpus tr`es large
3 extraction d’un nombre important de relations 7 les r´esultats sont difficiles `a exploiter (mapping)
II - Approche supervis´eeutilise une m´ethodeprobabilistepour identifier les relations dans le texte [Rink and Harabagiu, 2010].
• corpus d’apprentissage pr´ealablement annot´e
• caract´eristiques6= (lexicales, syntaxiques, s´emantiques, ...) 3 r´esultats satisfaisants
7 n´ecessite un corpus d’apprentissage tr`es large 7 d´ependant du domaine
III - Approche dite “distant supervision”exploite les larges bases de connaissances disponibles afin de cr´eer un corpus d’apprentissage [Mintz et al., 2009].
• les relations extraites≡base d’exemples du mod`ele statistique 3 m´ethode ind´ependante du domaine et de la langue
7 bases de connaissances incompl`etes
7 r´esultats diff`erent selon le corpus (Wikip´edia, NYT)
Kamel Nebhi (LATL, Gen`eve) ER bas´ees sur une Ontologie pour le WS 26 Juillet 2013 8 / 17
Proposition Description du syst`eme
Proposition
Un syst` eme d’ER fond´ e sur une approche ` a base de r` egles s’articulant en 2 phases:
• ER ` a partir d’occurrences de relations connues extraites de DBpedia [Lehmann et al., 2013]
• ER nouvelles ` a partir de patrons lexico-syntaxiques [Hearst, 1992]
L’id´ ee est d’exploiter les relations extraites de DBpedia afin de rendre la r´ ealisation des patrons lexico-syntaxiques moins coˆ uteuse.
En quelques mots
3 Syst` eme pour le fran¸ cais
3 REN effectu´ ee par notre syst` eme [Nebhi, 2012]
3 Analyse syntaxique fournit par Fips [Wehrli, 2007]
3 Con¸cu ` a partir de la plateforme GATE
3 La cr´ eation des r` egles se fait ` a l’aide d’un automate ` a ´ etats finis bas´ e sur le
langage JAPE
Proposition Description du syst`eme
Phase 1: DBpedia
3 Relations extraites de la version francophone de DBpedia
3 DBpedia.fr contient des donn´ees d´ecrivant 100 000 personnes, 100 000 lieux et 27 000 organisations
Type de Relation Taille Exemple
per:birthPlace 67 770 Arnold Schwarzenegger, Thal per:birthDate 64 237 Nelson Mandela, 1918-07-18
per:spouse 7 987 Bill Clinton, Hillary Rodham Clinton per:residence 3 576 Fran¸cois Hollande, Palais de l’´Elys´ee location:country 72 468 Wittislingen, Allemagne
location:mayor 2 237 Chicago, Rahm Emanuel
location:region 51 484 Paris, ˆIle-de-France
org:adminCenter 3 029 ONU, New York
org:leaderName 4 080 Thomson Reuters, David Thomson
org:foundedBy 4 016 IBM, Thomas J. Watson
org:foundingYear 4 007 IBM, 1911
org:foundationPlace 3 085 Yahoo, Santa Clara
Total 287 976
Table : Les 12 types de relations extraites de DBpedia, avec leur taille et un exemple.
Kamel Nebhi (LATL, Gen`eve) ER bas´ees sur une Ontologie pour le WS 26 Juillet 2013 10 / 17
Proposition Description du syst`eme
Phase 2: Patrons Lexico-Syntaxiques
Patrons lexicaux
o Informations lexicales et morpho-syntaxiques
Vancouver , `a l’ ouest du Canada
Lille , dans le nord de la France
<city> , PRP DET nord|ouest PRP DET* <country>
* location:Country(Vancouver, Canada)
* location:Country(Lille, France)
Proposition Description du syst`eme
Phase 2: Patrons Lexico-Syntaxiques
Patrons syntaxiques
o D´ependances syntaxiques - relations fonctionnelles (1) Nestl´e a ´et´e cr´e´ee en 1866 `a Vevey par Henry Nestl´e.
“cr´eer”
organisation
nsubj
“en”
date pobj
“`a”
lieu pobj
“par”
personne pobj ORGnsubj →cr´eerv ←DATEpobj *org:foundingYear(Nestl´e, 1866) ORGnsubj →cr´eerv ←LIEUpobj *org:foundationPlace(Nestl´e, Vevey) ORGnsubj →cr´eerv ←PERSpobj *org:foundedBy(Nestl´e, Henry Nestl´e)
Kamel Nebhi (LATL, Gen`eve) ER bas´ees sur une Ontologie pour le WS 26 Juillet 2013 12 / 17
Proposition Description du syst`eme
Architecture du syst` eme
Figure :
Architecture du syst` eme
Proposition Description du syst`eme
Architecture du syst` eme
Figure :
Architecture du syst` eme
Kamel Nebhi (LATL, Gen`eve) ER bas´ees sur une Ontologie pour le WS 26 Juillet 2013 13 / 17
Proposition ´Evaluation
Evaluation de l’ER ´
Exp´erience
u REN bas´ee sur une ontologie - F1 = 82%
3 Corpus d’´evaluation de 200 d´epˆeches du journalLe Monde 3 Annotation manuelle des documents avec l’ontologie DBpedia
• 1115 personnes, 1003 lieux, 987 organisations, 775 dates
• 876 relations entre instances de concepts 3 Comparaison des r´esultats avec la r´ef´erence
7 EN non reconnues par le syst`eme - Analyse syntaxique erron´ee 7 Cor´ef´erence - Anaphore
Mod`ele d’ER Pre% Rec% F1%
DBpedia 32.2 20.7 25.2
DBpedia+Patrons Lex 49.0 32.2 38.8
DBpedia+Patrons Lex&Syn 56.5 53.2 54.8
Table :
R´ esultats pour les 12 types de relations selon les diff´ erents mod` eles.
Proposition ´Evaluation
Evaluation de l’ER ´
Exp´erience
u REN bas´ee sur une ontologie - F1 = 82%
3 Corpus d’´evaluation de 200 d´epˆeches du journalLe Monde 3 Annotation manuelle des documents avec l’ontologie DBpedia
• 1115 personnes, 1003 lieux, 987 organisations, 775 dates
• 876 relations entre instances de concepts 3 Comparaison des r´esultats avec la r´ef´erence
7 EN non reconnues par le syst`eme - Analyse syntaxique erron´ee 7 Cor´ef´erence - Anaphore
Mod`ele d’ER Pre% Rec% F1%
DBpedia 32.2 20.7 25.2
DBpedia+Patrons Lex 49.0 32.2 38.8
DBpedia+Patrons Lex&Syn 56.5 53.2 54.8
Table :
R´ esultats pour les 12 types de relations selon les diff´ erents mod` eles.
Kamel Nebhi (LATL, Gen`eve) ER bas´ees sur une Ontologie pour le WS 26 Juillet 2013 14 / 17
Proposition ´Evaluation
Evaluation de l’ER ´
Exp´erience
u REN bas´ee sur une ontologie - F1 = 82%
3 Corpus d’´evaluation de 200 d´epˆeches du journalLe Monde 3 Annotation manuelle des documents avec l’ontologie DBpedia
• 1115 personnes, 1003 lieux, 987 organisations, 775 dates
• 876 relations entre instances de concepts 3 Comparaison des r´esultats avec la r´ef´erence
7 EN non reconnues par le syst`eme - Analyse syntaxique erron´ee 7 Cor´ef´erence - Anaphore
Mod`ele d’ER Pre% Rec% F1%
DBpedia 32.2 20.7 25.2
DBpedia+Patrons Lex 49.0 32.2 38.8
DBpedia+Patrons Lex&Syn 56.5 53.2 54.8
Table :
R´ esultats pour les 12 types de relations selon les diff´ erents mod` eles.
Proposition ´Evaluation
Evaluation de l’ER ´
Exp´erience
u REN bas´ee sur une ontologie - F1 = 82%
3 Corpus d’´evaluation de 200 d´epˆeches du journalLe Monde 3 Annotation manuelle des documents avec l’ontologie DBpedia
• 1115 personnes, 1003 lieux, 987 organisations, 775 dates
• 876 relations entre instances de concepts 3 Comparaison des r´esultats avec la r´ef´erence
7 EN non reconnues par le syst`eme - Analyse syntaxique erron´ee 7 Cor´ef´erence - Anaphore
Mod`ele d’ER Pre% Rec% F1%
DBpedia 32.2 20.7 25.2
DBpedia+Patrons Lex 49.0 32.2 38.8
DBpedia+Patrons Lex&Syn 56.5 53.2 54.8
Table :
R´ esultats pour les 12 types de relations selon les diff´ erents mod` eles.
Kamel Nebhi (LATL, Gen`eve) ER bas´ees sur une Ontologie pour le WS 26 Juillet 2013 14 / 17
Conclusion
Conclusion - Perspectives
o Outils d’ER int´ egr´ e dans un syst` eme d’EIBO
o Approche ` a base de r` egles exploitant la base de connaissance DBpedia o Les patrons lexico-syntaxiques am´ eliorent les performances
7 Approche d´ ependante de la REN et de l’analyse syntaxique
Travaux ` a venir
ß Am´ elioration de la REN
ß Meilleure adaptation de l’analyseur Fips ` a la REN
ß Evaluation sur un corpus/nombre de relations plus important ´
ß Prendre en consid´ eration la r´ esolution d’anaphore/cor´ ef´ erence
Conclusion
Conclusion - Perspectives
o Outils d’ER int´ egr´ e dans un syst` eme d’EIBO
o Approche ` a base de r` egles exploitant la base de connaissance DBpedia o Les patrons lexico-syntaxiques am´ eliorent les performances
7 Approche d´ ependante de la REN et de l’analyse syntaxique
Travaux ` a venir
ß Am´ elioration de la REN
ß Meilleure adaptation de l’analyseur Fips ` a la REN
ß Evaluation sur un corpus/nombre de relations plus important ´ ß Prendre en consid´ eration la r´ esolution d’anaphore/cor´ ef´ erence
Kamel Nebhi (LATL, Gen`eve) ER bas´ees sur une Ontologie pour le WS 26 Juillet 2013 15 / 17
Conclusion
R´ ef´ erences
M. Banko and O. Etzioni. The tradeoffs between open and traditional relation extraction. InProceedings of ACL-08: HLT, pages 28–36. ACL, 2008.
C. Brewster and Y. Wilks.Natural Language Processing as a Foundation of the Semantic Web. now Publishers Inc., Delft, Netherlands, 2009.
A. Gangemi. A comparison of knowledge extraction tools for the semantic web. InESWC, 2013.
M. A. Hearst. Automatic acquisition of hyponyms from large text corpora. InProceedings of the 14th conference on Computational linguistics - Volume 2, COLING ’92, pages 539–545. Association for Computational Linguistics, 1992.
J. Lehmann, R. Isele, M. Jakob, A. Jentzsch, D. Kontokostas, P. N. Mendes, S. Hellmann, M. Morsey, P. van Kleef, S. Auer, and C. Bizer. Dbpedia - a large-scale, multilingual knowledge base extracted from wikipedia.Semantic Web Journal, 2013.
M. Mintz, S. Bills, R. Snow, and D. Jurafsky. Distant supervision for relation extraction without labeled data.
InProceedings of the Joint Conference of the 47th Annual Meeting of the ACL, pages 1003–1011, 2009.
K. Nebhi. Ontology-based information extraction for french newspaper articles. InProceedings of the 35th Annual German conference on Advances in Artificial Intelligence, KI’12, pages 237–240, 2012.
B. Rink and S. Harabagiu. Utd: Classifying semantic relations by combining lexical and semantic resources. In Proceedings of the 5th International Workshop on Semantic Evaluation, SemEval ’10, 2010.
E. Wehrli. Fips, a ”deep” linguistic multilingual parser. InProceedings of the Workshop on Deep Linguistic Processing, pages 120–127. ACL, 2007.