La reconnaissance des entités nommées et l'extraction de données
Avec Jean Veronis Enseignant Chercheur à l'Université de Provence. Spécialiste du Traitement Automatisé du Langage (TAL) et de l'informatique appliquée à la linguistique.
http://www.seo-campus.org/programme/samedi
3. Extraction d’information En France, il est interdit d’accrocher les mots “travailler”, “gagner” “plus” et “moins”, sur une façade. C'est ironique, quand on est un artiste chinois, d'être censuré en France pour subversion politique. Critiquer Hu Jintao à Pékin, c'est possible. Mais Nicolas Sarkozy à Paris, ça non, c'est interdit. L'artiste Siu Lan Ko, 33 ans, en a fait les frais hier matin. Son installation a été décrochée en toute hâte de la façade des Beaux-Arts de Paris à la demande de son directeur Henry-Claude Cousseau… Télérama – 11 février 2010 jvTech • Jean Véronis Technologies
13. Mais pas seulement… Pourcentages, dates, montant monétaires, etc. La faiblesse de la croissance en zone euro au quatrième trimestre 2009 (+0,1%) et la stagnation du Produit intérieur brut (PIB) en Allemagne sur la même période a déprimé les valeurs automobiles: Volkswagen a lâché 1,91% à 56,06 euros, BMW -1,66% à 29 euros, Daimler -0,95% à 32,46 euros. jvTech • Jean Véronis Technologies
14. Tâche mal définie Pourquoi entités « nommées » si on ne se limite pas aux noms propres ? Où s’arrête-t-on ? Dépend fortement de l’application La faiblesse de la croissance en zone euro au quatrième trimestre 2009 (+0,1%) et la stagnation du Produit intérieur brut (PIB) en Allemagne sur la même période a déprimé les valeurs automobiles: Volkswagen a lâché 1,91% à 56,06 euros, BMW -1,66% à 29 euros, Daimler -0,95% à 32,46 euros. jvTech • Jean Véronis Technologies
15. A quoi ça sert ? jvTech • Jean Véronis Technologies
34. Deux problèmes ...blabla… Orange …blabla… détection interprétation … jvTech • Jean Véronis Technologies
35. Détection Le problème semble simple Détection de chaînes dans un texte Exemple : Oui, mais… PARIS - Un bras de fer s'est engagé entre une artiste chinoise auteur d'une oeuvre faisant référence à un slogan du président Nicolas Sarkozy et l'école des Beaux-Arts de Paris, accusée de "censure". jvTech • Jean Véronis Technologies
36. Base de données Sources Wikipedia/DBPedia Fichiers d’entreprises Base Geonames etc. Aucune base n’est exhaustive variabilité infinie entités nouvelles
37. Variabilité Personnes : Ted Kennedy Edward Kennedy Edward M. Kennedy Edward Moore Kennedy Edward Moore Kennedy Sr. Edward Moore "Ted" Kennedy « Ted » jvTech • Jean Véronis Technologies
38. Variabilité Sociétés : Air France Société Air France (nom officiel) Air France-KLM (groupe) AF (bourse) AFR (code aviation civile) jvTech • Jean Véronis Technologies
40. Pas toujours exceptionnel : Jean-Pierre Pernault ? Jean-Pierre Pernaut ? jvTech • Jean Véronis Technologies
41. Multilinguisme Exemples Benoît XVI (fr) Benedict XVI (en) Benedikt XVI (de) Benedetto XVI (it) Benedicto XVI (es) Londres ~ London jvTech • Jean Véronis Technologies
57. Entités inconnues Exemple : actualité inconnu dans Wikipedia 12 février 2010 jvTech • Jean Véronis Technologies
58. Heuristiques Typographie : Majuscule, mais… variantes l’Ecole des Beaux-Arts (le Parisien) l’école des Beaux-Arts (l’Express) l’Ecole des beaux-arts (le Monde) noms composés Henri de la Ville de Mirmont Hôtel de Ville de Mirmont Jean Baptiste de la Croix de Chevrières de Saint –Vallier Jean-Baptiste Belley de Saint-Domingue autres langues allemand (majuscule sur tous les noms) arabe, chinois, etc. (pas de majuscules) jvTech • Jean Véronis Technologies
59. Heuristiques Base patronymes et prénoms connus, mais : Nombreuses ambiguïtés Prénoms: April, Art, Earl, France, Israel, Logan, Noël, Renault, etc. l’œuvre de Noël de Règemorte le marché de Noël de Montbéliard Patronymes: Charpentier, Mer, Vaillant ministre de l'Economie Francis Mer Charpentier fut remarqué et apprécié par Louis XIV Charpentier au talent prometteur, ce compagnon… Inconnus Barack jvTech • Jean Véronis Technologies
60. Heuristiques Statistiques (contexte) Exemples : le photographe italienPietro Mastrurzo a remporté l’Italien Pietro Mastrurzo a reçu le Français Alexis Contin s’est classé le patineur de vitesse françaisAlexis Contin jvTech • Jean Véronis Technologies
61. Interprétation Deux problèmes liés : Désambiguïsation Orange, Total, Opium, etc. Catégorisation Personne Entreprise Toponyme etc. jvTech • Jean Véronis Technologies
63. Très difficile Noms communs/marques La majuscule ne suffit pas Personnes/marques etc. Yves Saint Laurent lance Opium Shangaï : Opium, jeux, prostitution la turbulente histoire de la Chine depuis la Guerre de l'Opium Alain Chamfort met Yves Saint Laurent en musique il rend hommage à Yves Saint Laurent Yves Saint Laurent lance une édition collector du parfum Elle jvTech • Jean Véronis Technologies
64. Typologie Personnes, lieux, et…..? Difficultés pour l’humain : Orange = marque / entreprise ? iPhone = produit / marque ? Dépend de l’application classification de Sekine jvTech • Jean Véronis Technologies
65.
66. tant vont les fleuves à la mer et la mer n’est jamais remplie… jvTech • Jean Véronis Technologies