HIPE-2026: как извлечь связи «человек-место» из исторических газет без нейросетей

L'équipe DS@GT HIPE, lors de la compétition scientifique HIPE-2026, a montré qu'il est possible d'extraire des relations « personne-lieu » de journaux historiques sans modèles de langue préentraînés : leur système, maintenu sous 847 000 paramètres, a obtenu la 3e place du classement d'efficacité parmi 17 équipes, atteignant un macro recall de 0,5142. Le préprint a été publié sur arXiv (juillet 2026).

Ce que montre l'étude

HIPE-2026 a introduit pour la première fois l'extraction de relations « personne-lieu » à partir de journaux historiques multilingues comme piste d'évaluation distincte — en anglais, en français et en allemand. La tâche de cette piste consiste à classer les relations at et isAt entre des mentions de personnes et de lieux préalablement annotées. L'équipe DS@GT HIPE (team2 dans les résultats officiels) a testé jusqu'où pouvait aller un système léger et interprétable qui, à l'étape de classification des relations, n'utilise aucun grand modèle de langue.

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

*HIPE-2026 est une nouvelle piste : relations « personne-lieu », en anglais, français et allemand

*Les relations at et isAt sont classées entre des mentions annotées de personnes et de lieux

*L'équipe DS@GT HIPE est team2 dans les résultats officiels

*Meilleure exécution : macro recall de 0,5142 sur le Test A (l'ensemble de journaux)

*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 principales conclusions de l'équipe. L'ajout d'autres caractéristiques construites apporte des gains inégaux, et dégrade parfois le résultat. Cela rejoint des observations antérieures selon lesquelles la distance entre les arguments domine 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.

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

Pourquoi la validation croisée classique gonfle-t-elle le résultat ?

Diviser les données au niveau des paires gonfle le score de 25 à 37 points de pourcentage — car les mêmes mentions d'entités se répètent dans différents documents et créent une fuite de données (data leakage). L'équipe DS@GT HIPE a montré que, sur ce corpus, il est essentiel d'appliquer une validation croisée groupée par document (document-grouped) : elle élimine la fuite et restitue une estimation honnête de la qualité.

Cette conclusion compte plus que la position précise dans le classement. Elle met en garde les autres chercheurs travaillant sur des archives historiques : la validation croisée aléatoire standard dresse systématiquement un tableau trop optimiste lorsque les mentions de personnes et de lieux migrent d'un document à l'autre.

Ce que cela signifie

Lors de la numérisation d'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 de moins d'un million de paramètres restent compétitives en efficacité, et qu'un schéma d'évaluation honnête vaut plus qu'une caractéristique complexe supplémentaire.

Questions fréquentes

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

Ce sont des types de relations « personne-lieu » à classer entre des mentions préalablement annotées de personnes et de lieux dans des journaux historiques en anglais, en français et en allemand. La piste a été ajoutée à HIPE-2026 comme nouvelle tâche d'évaluation.

Pourquoi le système s'est-il passé de grands modèles de langue ?

L'équipe DS@GT HIPE a testé jusqu'où pouvait aller une approche légère et interprétable : un graphe construit à partir d'analyses syntaxiques de dépendances, complété par des caractéristiques de proximité, la classification étant assurée par des ensembles scikit-learn ou des Graph Attention Networks compacts. Toutes les exécutions sont restées sous les 847 000 paramètres, ce qui a permis d'obtenir la 3e place en efficacité.