Entity Network Extraction based on Association Finding and Relation Extraction. (€) Ridho Reinanda, Marta Utama, Fridus Steijlen and Maarten de Rijke

One of the core aims of semantic search is to directly present users with information instead of lists of documents. Various entity-oriented tasks have been or are being considered, including entity search and related entity finding. In the context of digital libraries for computational humanities, we consider another task, network extraction: given an input entity and a document collection, extract related entities from the collection and present them as a network. We develop a combined approach for entity network extraction that consists of a co-occurrencebased approach to association finding and a machine learning-based approach to relation extraction. We evaluate our approach by comparing the results on a ground truth obtained using a pooling method.

Een Nederlandse bijdrage.
Interessant! die kant moeten we denk ik wel op.
Hoe liggen relaties in netwerken, waar zitten belangrijke ‘actors’.

Scoring methoden:
Association Finding : (statistische bewerking)
Relation Extraction daaraan kun je zien of ze related zijn of niet.

Ranking is belangrijk voor visualisatie en interpretatie.

Vraagstelling – document selectie – entity extraction – entity ranking – graph

Document moet eerst wel voorbereid worden (geindexeerd).

Grote dataset >120.000 documenten uit 2000-2012.
Ze moeten in elk geval wel een snippet hebben.
De twee scorings methoden gaven wel verschillende resultaten.
Je kunt ze combineren en dan wordt het totale resultaat beter.

Uitkomst
Goede recall maar lage precisie.
Eenvoudige topics hebben betrouwbaardere snippets dan moeilijke onderwerpen.

Vraag: je ziet wel de relatie, maar de aard van de relatie niet.
Antwoord : dat gaan we bij de volgende stap doen.
Is nog lastiger

Erg technisch verhaal