Entity Linking, eine Text+ IO-Lecture

Autor: Felix Helfer, Sächsische Akademie der Wissenschaften zu Leipzig

Am 18. September 2024 fand die bereits 16. Text+ IO-Lecture statt – diesmal zum Thema Entity Linking. Die Text+ IO-Lectures sind offen für alle Interessierten und greifen infrastrukturbezogene Themen auf. IO tritt in Text+ in einer Providerrolle auf und ermittelt zusammen mit den anderen Task Areas wissenschaftliche Bedarfe für Angebote von Text+. Daraus ergibt sich ein Bedarf an Information und Beratung, den IO durch die regelmäßige, niedrigschwellige Reihe der IO-Lectures bedient. Zusätzlich decken die IO-Lectures Themen ab, die über Text+ hinaus in der NFDI und für Forschungsinfrastrukturen im Allgemeinen von Interesse sind.

Entity Linking ist die Verlinkung von in einem Text genannten Entitäten (Personen, Orten, Organisationen, etc.) mit passenden Einträgen in einer Wissensbasis, etwa der Gemeinsamen Normdatei (GND) oder Wikidata. 

Entity-Linking veranschaulicht dargestellt.

Nach einer kurzen Einführung des Themas durch Felix Helfer (SAW), wurde zunächst von Alexander Bartmuß (SAW) ein im Aufbau befindlicher Datensatz vorgestellt, für den auch Entity Linking eine zentrale Rolle spielt: die “Briefe und Akten zur Kirchenpolitik Friedrichs des Weisen und Johanns des Beständigen 1513 bis 1532” aus dem gleichnamigen Projekt der SAW. Den Teilnehmer:innen der Lecture wurde ein Einblick in das Projekt und insbesondere die Arbeitsschritte, Vorteile und Herausforderungen der manuellen Verlinkung der dort auftretenden Entitäten gegeben. Denn so nützlich die Anreicherung von textbasierten Daten auf diese Weise ist, so aufwändig ist die tatsächliche Umsetzung des konkreten Vorhabens.

Ist eine manuelle Bearbeitung nicht umsetzbar, könnten Verfahren des automatischen Entity Linkings weiterhelfen. Doch wie verlässlich sind bestehende Lösungsansätze, insbesondere für deutsche Forschungsdaten? Hierzu hat Pia Schwarz (IDS) ihr Benchmark vorgestellt, welches die Performanz existierender Werkzeuge untersucht. Das Fazit des Benchmarks: Qualität in allen Fällen definitiv ausbaufähig!

Außerdem wurde eine in Arbeit befindliche Untersuchung eines LLM-basierten Ansatzes via Prompting gezeigt, um zukünftig vielleicht bessere Möglichkeiten zur Verfügung zu haben.Dabei werden zunächst verschiedene Kandidaten inklusive Beschreibung für eine Enität aus einer Wissensbasis extrahiert und anschließend ein LLM für die Disambiguierung gepromptet. Erste Experimente haben gezeigt, dass die Ergebnisse besser sind als die Modelle, die zuvor evaluiert wurden. 

Mit dieser Hoffnung begann auch der zweite Teil der Lecture, der sich vor allem um laufende Arbeiten in Text+ zum Thema Entity Linking drehte. Zunächst wurden Experimente mit sogenannten “Entity-Embeddings” auf Daten des Wortschatz Leipzig vorgestellt. Hierfür werden für GND-Entitäten Embeddings aus Kontextdaten (genauer: Wikipedia-Artikel zu den jeweiligen Entitäten) erzeugt, welche dann über gängige Ähnlichkeitsmetriken mit Embeddings von Entitäten aus einem Eingabetext und deren Kontext verglichen werden können.

Entitäten-Embeddings als Ansatz für automatische Entitäten-Disambiguierung.

Diesem niederschwelligen Ansatz folgend präsentierte Jonas Richter (Universität Leipzig) seine Abschlussarbeit, in der eine fortschrittlichere Herangehensweise erprobt werden soll: ein neuronales Modell, welches Entitäten anhand von in der GND enthaltenen Informationen (wie Orts- und Zeitangaben) verlinkt. Zusätzlich soll die Kandidatensuche, ein wichtiger Teilschritt der Gesamtaufgabe welcher den initial sehr weiten Suchraum verkleinern soll, gegenüber einer einfachen Stringsuche verbessert werden – auch hier sollen Embedding-Ähnlichkeiten helfen, zielsicherer passende Kandidaten in der Wissensbasis zu ermitteln.

Aber nicht nur die Erzeugung neuer Datensätze war Thema dieser Werkschau, auch die Anwendung bereits annotierter Datensätze sollte nicht zu kurz kommen. So wurde die Lecture mit einem Einblick in eine Erweiterung der Föderierte Inhaltssuche (FCS) abgeschlossen, welche an der SAW entwickelt wird. 

Entitäten-basierte Inhaltssuche in der Text+ FCS auf Daten der Briefe und Akten zur Kirchenpolitik.

Die FCS ist, das verrät bereits ihr Name, eine Spezifikation und Plattform zur inhaltlichen Suche in verteilten (föderierten) Ressourcen. Viele Datenbestände in Text+ sind bereits über die projekteigene FCS durchsuchbar. Sie wird jedoch auch beständig erweitert, so eben um eine entitätenbasierte Inhaltssuche, um etwa eine Entität anhand ihrer GND-ID in einem entsprechend annotierten Datensatz finden zu können. Und so endete diese Lecture auch mit der Vorführung des bereits lauffähigen Prototypen dieser EntityFCS – mit Daten aus den anfangs gezeigten Briefen und Akten zur Kirchenpolitik!

Dass das Thema viele Forschende interessiert und konkrete Praxisrelevanz aufweist, zeigte sich nicht nur an der Anzahl der Teilnehmer:innen, sondern auch an den regen Frage- und Diskussionsrunden zwischen den Beiträgen. Entity Linking wird in Text+, so lässt es sich nach dieser Lecture vermuten, weiterhin im Gespräch bleiben!

Weitere Informationen zur Veranstaltung: https://events.gwdg.de/event/913/ bzw. https://text-plus.org/en/aktuelles/veranstaltungen/2024-09-18-io-lecture-entitylinking/ 

Vortragende (in Reihenfolge der Beiträge):

Felix Helfer (SAW) Alexander Bartmuß (SAW), Pia Schwarz (IDS), Jonas Richter (Universität Leipzig)

---

---