Overview of HIPE-2026: Person-Place Relation Extraction from Multilingual Historical Texts
作者: Juri Opitz, Maud Ehrmann, Corina Raclé, Andrianos Michail, Matteo Romanello, Simon Clematide
分类: cs.CL, cs.AI
发布日期: 2026-06-24
备注: Condensed Overview of CLEF-HIPE-2026 Shared Task Results
💡 一句话要点
HIPE-2026提出多语言历史文本中的人物-地点关系提取方法
🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 历史文本处理 关系提取 多语言处理 OCR技术 文化遗产 评估框架 机器学习
📋 核心要点
- 核心问题：现有方法在处理多语言历史文本时面临语言变异、OCR噪声和上下文线索不足的挑战。
- 方法要点：HIPE-2026提出了针对人物与地点关系的提取方法，聚焦于时间上有依据的关系类型。
- 实验或效果：通过40多个提交的实验结果，展示了不同策略的有效性，强调了准确性、效率和鲁棒性之间的权衡。
📝 摘要（中文）
HIPE-2026是HIPE评估系列的第三版，旨在从嘈杂的多语言历史文献中提取人物与地点之间的关系。该研究聚焦于两种时间上有依据的关系类型：$at$表示某人曾在某地，$isAt$表示某人与文献出版日期同时在场。论文展示了17个参与团队在应对历史语言变异、OCR噪声和间接上下文线索方面的挑战，使用了19和20世纪的历史报纸文本及早期现代法语文学文本的意外领域泛化集。HIPE-2026的三重评估框架评估预测准确性、计算效率和跨领域泛化，反映了文化遗产领域大规模历史文档处理的实际需求。
🔬 方法详解
问题定义：本研究旨在解决从多语言历史文本中提取人物与地点关系的问题。现有方法在处理历史语言变异和OCR噪声时表现不佳，导致提取结果的准确性和可靠性不足。
核心思路：HIPE-2026的核心思路是通过引入时间上有依据的关系类型（$at$和$isAt$），增强对历史文本中人物与地点关系的理解。这种设计旨在提高提取的准确性和上下文关联性。
技术框架：整体架构包括数据预处理、关系提取模型和评估模块。数据预处理阶段处理OCR噪声和语言变异，关系提取模型则基于多种策略进行训练，最后通过评估模块对模型性能进行综合评估。
关键创新：HIPE-2026的关键创新在于其三重评估框架，既考虑了预测准确性，又关注计算效率和跨领域泛化能力。这与以往单一关注准确性的评估方法形成鲜明对比。
关键设计：在模型设计中，采用了多种参数设置和损失函数，以适应不同的历史文本特征。同时，结合了先进的大型语言模型和轻量级任务特定分类器，以实现准确性与效率的平衡。
📊 实验亮点
实验结果显示，参与团队提交的超过40个实验中，采用先进的大型语言模型和轻量级分类器的策略表现出色，准确性和效率之间的权衡得到了有效体现。具体性能数据尚未披露，但整体结果表明HIPE-2026在历史关系提取领域的显著进展。
🎯 应用场景
该研究的潜在应用领域包括文化遗产数字化、历史文献分析和信息检索等。通过有效提取历史文本中的人物与地点关系，可以为历史研究、教育和文化传播提供重要支持，推动相关领域的进一步发展。
📄 摘要（原文）
Was this person ever at that place, and if so, when? Answering such questions from noisy, multilingual historical documents is the central challenge of HIPE-2026, the third edition of the HIPE evaluation series. Moving from named entity recognition and linking (HIPE-2020, HIPE-2022) to reasoning about relationships between entities, HIPE-2026 targets two temporally grounded relation types: $at$, indicating that a person was present at a location at some point prior to a document's publication date, and $isAt$, indicating presence contemporaneous with that date. This paper presents the results of the evaluation campaign, which confronted 17 participating teams with the challenges of historical language variation, OCR noise, and indirect contextual cues across three languages: French, German, and English. The datasets include historical newspaper text from the nineteenth and twentieth centuries, as well as a surprise-domain generalization set drawn from early modern French literary texts. A distinctive feature of HIPE-2026 is its three-fold evaluation framework, which assesses predictive accuracy, computational efficiency, and cross-domain generalization, reflecting the practical demands of large-scale historical document processing in the cultural heritage domain. Across more than 40 submitted runs, results reveal a wide range of strategies, from state-of-the-art large language models to lightweight task-specific classifiers, and highlight the trade-offs between accuracy, efficiency, and robustness inherent to historical relation extraction at corpus scale. System descriptions, datasets, and findings are presented and discussed, offering a detailed picture of the current state of temporally grounded relation extraction for historical documents.