HIPE-2026 : extraire les relations « personne-lieu » des journaux historiques sans réseaux de neurones

L'équipe DS@GT HIPE a montré, lors du concours scientifique HIPE-2026, qu'il est possible d'extraire des relations « personne-lieu » de journaux historiques sans modèles de langage préentraînés. Son système, de moins de 847 000 paramètres, s'est classé 3e du profil d'efficacité parmi 17 équipes, avec un macro recall de 0,5142. Le preprint est publié sur arXiv (juillet 2026).

Ce que montre l'étude

Pour la première fois, HIPE-2026 consacre un volet d'évaluation distinct à l'extraction de relations « personne-lieu » dans des journaux historiques multilingues, en anglais, en français et en allemand. La tâche consiste à classifier les relations at et isAt entre des mentions de personnes et de lieux déjà annotées. L'équipe DS@GT HIPE (team 2 dans les résultats officiels) voulait mesurer jusqu'où l'on peut aller avec un système léger et interprétable qui n'utilise aucun grand modèle de langage à l'étape de classification des relations.

Le système de DS@GT HIPE construit un graphe au niveau du document à partir d'analyses syntaxiques (dependency parses). Il extrait ensuite, pour chaque paire d'entités, des caractéristiques de proximité et de partie du discours, puis les classifie avec de petits ensembles scikit-learn ou de compacts Graph Attention Networks. Chaque exécution soumise à l'évaluation est restée sous la barre des 847 000 paramètres.

• HIPE-2026 inaugure un nouveau volet : relations « personne-lieu », en anglais, en français et en allemand
• Les relations at et isAt sont classifiées entre des mentions de personnes et de lieux annotées
• L'équipe DS@GT HIPE correspond à la team 2 dans les résultats officiels
• Meilleure exécution : macro recall de 0,5142 sur le test A (jeu de données de presse)
• Résultat : 3e place en efficacité, milieu de tableau en précision parmi 17 équipes

Quelle caractéristique résout la tâche ?

La distance minimale en caractères entre les entités capte à elle seule l'essentiel du signal de classification : c'est la première des deux grandes conclusions de l'équipe. L'ajout d'autres caractéristiques conçues à la main produit des gains inégaux et dégrade parfois le résultat. Ce constat rejoint des données antérieures selon lesquelles la distance entre les arguments domine dans la tâche d'extraction de relations.

«

La distance minimale en caractères capte à elle seule l'essentiel du signal de classification », indique l'article de l'équipe DS@GT HIPE sur arXiv.

La portée pratique est simple : l'ingénierie de caractéristiques coûteuse et les modèles lourds ne sont pas rentables ici. La proximité de deux mentions dans le texte constitue un signal presque suffisant pour prédire le lien entre une personne et un lieu.

Pourquoi la validation croisée classique gonfle-t-elle les résultats ?

Un découpage des données au niveau des paires surestime les scores de 25 à 37 points de pourcentage, car les mêmes mentions d'entités se répètent dans différents documents et provoquent une fuite de données (data leakage). L'équipe DS@GT HIPE a montré que, sur ce corpus, il est indispensable d'appliquer une validation croisée groupée par document (document-grouped) : elle supprime la fuite et restitue une évaluation honnête de la qualité.

Cette conclusion compte davantage que la place obtenue au classement. Elle met en garde les autres chercheurs travaillant sur des archives historiques : la validation croisée aléatoire standard donne systématiquement un tableau trop optimiste lorsque les mentions de personnes et de lieux circulent d'un document à l'autre.

Ce que cela signifie

Dans la numérisation des archives historiques, l'échelle et le coût du traitement comptent autant que la précision. Le travail de DS@GT HIPE montre que des méthodes légères et interprétables, sous le million de paramètres, restent compétitives en matière d'efficacité, et qu'un protocole d'évaluation honnête vaut mieux qu'une caractéristique complexe de plus.

Questions fréquentes

Que sont les relations at et isAt dans HIPE-2026 ?

Ce sont les types de relations « personne-lieu » à classifier entre des mentions de personnes et de lieux déjà annotées dans des journaux historiques en anglais, en français et en allemand. Ce volet a été ajouté à HIPE-2026 comme nouvelle tâche d'évaluation.

Pourquoi le système se passe-t-il de grands modèles de langage ?

L'équipe DS@GT HIPE voulait tester jusqu'où une approche légère et interprétable peut aller : un graphe issu d'analyses syntaxiques, des caractéristiques de proximité, puis une classification par ensembles scikit-learn ou par de compacts Graph Attention Networks. Toutes les exécutions sont restées sous 847 000 paramètres, ce qui lui a valu la 3e place en efficacité.