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

Команда DS@GT HIPE на научном соревновании HIPE-2026 показала, что извлекать связи «человек-место» из исторических газет можно без предобученных языковых моделей: их система размером под 847 тысяч параметров заняла 3-е место в профиле эффективности среди 17 команд, достигнув macro recall 0,5142. Препринт опубликован на arXiv (июль 2026 года).

Что показало исследование

HIPE-2026 впервые вынес извлечение отношений «человек-место» из мультиязычных исторических газет в отдельный трек оценки — на английском, французском и немецком языках. Задача трека — классифицировать отношения at и isAt между заранее размеченными упоминаниями людей и локаций. Команда DS@GT HIPE (team 2 в официальных результатах) проверяла, как далеко можно зайти лёгкой интерпретируемой системой, которая на этапе классификации отношений не использует ни одной большой языковой модели.

Система DS@GT HIPE строит граф уровня документа из синтаксических разборов (dependency parses), извлекает признаки близости и части речи для каждой пары сущностей и классифицирует их небольшими ансамблями scikit-learn или компактными Graph Attention Networks. Каждый отправленный на оценку прогон удерживался под 847 тысяч параметров.

• HIPE-2026 — новый трек: отношения «человек-место», языки английский, французский и немецкий
• Классифицируются связи at и isAt между размеченными упоминаниями людей и мест
• Команда DS@GT HIPE — team 2 в официальных результатах
• Лучший прогон: macro recall 0,5142 на тесте A (газетный набор)
• Итог: 3-е место по эффективности, середина таблицы по точности среди 17 команд

Какой признак решает задачу?

Минимальное символьное расстояние между сущностями само по себе улавливает большую часть сигнала классификации — это первый из двух главных выводов команды. Добавление других сконструированных признаков даёт неоднородный прирост, а иногда ухудшает результат. Это перекликается с прежними данными о том, что расстояние между аргументами доминирует в задаче извлечения отношений.

«Минимальное символьное расстояние само по себе улавливает большую

часть сигнала классификации», — говорится в статье команды DS@GT HIPE на arXiv.

Практический смысл прост: дорогая инженерия признаков и тяжёлые модели здесь не окупаются. Близость двух упоминаний в тексте — почти достаточный сигнал, чтобы предсказать связь между человеком и местом.

Почему обычная кросс-валидация завышает результат?

Разбиение данных на уровне пар завышает оценки на 25-37 процентных пунктов — потому что одни и те же упоминания сущностей повторяются в разных документах и создают утечку данных (data leakage). Команда DS@GT HIPE показала, что на этом корпусе критично применять кросс-валидацию с группировкой по документам (document-grouped): она убирает утечку и возвращает честную оценку качества.

Этот вывод важнее конкретного места в турнирной таблице. Он предупреждает других исследователей исторических архивов: стандартная случайная кросс-валидация систематически рисует слишком оптимистичную картину, если упоминания людей и мест кочуют из документа в документ.

Что это значит

При оцифровке исторических архивов масштаб и стоимость обработки важны не меньше точности. Работа DS@GT HIPE показывает, что лёгкие интерпретируемые методы под миллион параметров остаются конкурентоспособными по эффективности, а честная схема оценки ценнее, чем ещё один сложный признак.

Частые вопросы

Что такое отношения at и isAt в HIPE-2026?

Это типы связей «человек-место», которые нужно классифицировать между заранее размеченными упоминаниями людей и локаций в исторических газетах на английском, французском и немецком. Трек добавлен в HIPE-2026 как новая задача оценки.

Почему система обошлась без больших языковых моделей?

Команда DS@GT HIPE проверяла, как далеко можно зайти лёгким интерпретируемым подходом: граф из синтаксических разборов плюс признаки близости, а классификация — ансамблями scikit-learn или компактными Graph Attention Networks. Все прогоны удерживались под 847 тысяч параметров, что и дало 3-е место по эффективности.