Intégration de contexte global par amorçage pour la détection d'événements (Integrating global context via bootstrapping for event detection).

Les approches neuronales obtiennent depuis plusieurs annees des resultats interessants en extraction d’evenements. Cependant, les approches developpees dans ce cadre se limitent generalement a un contexte phrastique. Or, si certains types d’evenements sont aisement identifiables a ce niveau, l’exploitation d’indices presents dans d’autres phrases est parfois necessaire pour permettre de desambiguiser des evenements. Dans cet article, nous proposons ainsi l’integration d’une representation d’un contexte plus large pour ameliorer l’apprentissage d’un reseau convolutif. Cette representation est obtenue par amorcage en exploitant les resultats d’un premier modele convolutif operant au niveau phrastique. Dans le cadre d’une evaluation realisee sur les donnees de la campagne TAC 2017, nous montrons que ce modele global obtient un gain significatif par rapport au modele local, ces deux modeles etant eux-memes competitifs par rapport aux resultats de TAC 2017. Nous etudions egalement en detail le gain de performance de notre nouveau modele au travers de plusieurs experiences complementaires.