Prsentation PowerPoint

1
WORKSHOP ST2.11 Entités Nommées
10 juin 2008
ARISEM IGM TEMIS XEROX
2
Annotation dEntités Nommées
3
Extraction dInformation (1/2)

• Linformation daujourdhui sur support
  informatique est
• massive
• complexe et hétérogène
• soumise à des contraintes de temps réel
• Extraction dInformation (IE) conversion du
  texte en données structurées répondant à des
  questions factuelles
• QUI A FAIT QUOI A QUI QUAND OÙ COMMENT
• Applications recherche, indexation, aide à la
  décision, veille, question/réponse, analyse
  sémantique

4
Extraction dInformation (1/2)

• Un raid aérien a fait au moins 11 morts et 12
  blessés sur le village de Menakro le mardi 12
  février (Le Monde, 2003)

5
Extraction dEntités Nommées

• La tâche dExtraction dInformation a mis en
  évidence lintérêt de reconnaître les Entités
  Nommées
• Quest-ce que cest une Entité Nommée (EN) ?
• tous les éléments du langage qui font référence
  à une entité unique et concrète, appartenant à un
  domaine spécifique (ie. humain, économique,
  géographique, etc.)
• noms propres au sens classique, noms propres
  dans un sens élargi mais aussi expressions de
  temps et de quantité
• (MUC-7, Chinchor 1998)

6
Catégorisation dEN (1/2)

• Catégories EN Exemples
• Personnes Laurent Gbagbo, Pascal Affi NGuessan
• Lieux Guinée-Bissau,
• (expressions spatiales) axe Bouaké-Yamoussoukro
• Organisations Mouvement patriotique de Côte
  dIvoire, MPCI
• Faits 25e sommet franco-britannique du Touquet
• Moyens Boeing 747-300
• uvres New Press, Le Nouveau Testament
• Dates Heures le 29 mars 2003, 29/03/2003,
  10h00 GMT
• (expressions temporelles) depuis jeudi matin
• Expressions numériques 400 kilomètres, 50
• Coordonnées 01 56 40 13 72, appels.actu_at_rfi.fr

7
Catégorisation dEN (2/2)

• Chacune de ces catégories est affinée par un
  ensemble des sous-catégories qui spécifient

8
Annotation dEN

• Objectif Extraction et annotation fine des EN
  dans un texte
• Systèmes NER plusieurs approches
• Symbolique
• Règles construites à la main ? Lisibilité,
  Évolutivité, Incomplétude
• Statistique
• Connaissances acquises automatiquement par
  apprentissage à partir dun corpus annoté à la
  main ? Robustesse, Coût
  dannotation
• Hybride
• Symbolique Statistique ? Systèmes préférés

9
Approche symbolique (1/2)

• A base de grammaires locales écrites à la main
  utilisant des informations morphosyntaxiques et
  sémantiques présentes dans de lexiques généraux
  et spécialisés
• Lexiques Toponymes, Prénoms, Organisations
• Infos morpho-syntax-sém NPR, NVille
• Mots déclencheurs
• aéroport dAbidjan, Air Ivoire (preuve interne)
• village de Menakro, Mme Taylor (preuve externe)

10
Approche symbolique (2/2)

• Exemple de graphe reconnaissant les Noms
  dOrganisations

11
Annotation fine des EN vers une double
annotation

•  PrésentationDémo_XEROX_100507.ppt 
• (cf. planches 15-19)
• À compléter par Takuya

12
Annotation fine des EN utilisation des
Ontologies

•  PrésentationDémo_ARISEM_100507.ppt 
• (cf. planches 15-17)
• À compléter par Takuya

13
Normalisation dEN

• Expressions Numériques gt Nombres
• Ex.  100 000 ,  cent mille , etc.
• Normalisation avec la valeur numérique
• Dates et Heures
• Normalisation des dates absolues au format
  ISO8601
• (ex.  2007-05-10T100000Z ) avec réduction
  en fonction de la précision
• (ex.  2007-05  pour le mois de mai).
• Problème pour les dates incomplètes, relatives et
  les expressions temporelles
• (ex.  le 10 mai ,  en mai ,  entre mai et
  juin 2007 )
• Autres entités nommées
• Renseignement des attributs disponibles
• Ex.  le président Jacques Chirac 
• Patronyme Chirac, Prénom Jacques, Fonction
  Président
• Similarité entre entités nommées
• Influence pondérée de plusieurs facteurs
• Égalité entre attributs
• Similarité particulière sur certains attributs
  (ex. Levenshtein, phonétique)

14
Relations entre différentes EN

• Détection des relations  statiques  ou
   binaires  entre un couple dEN pouvant servir
  à la modélisation des connaissances ainsi quà
  lanalyse du texte
• Partenariat   HP est partenaire de la Journée
  de lIndustrie 
• HP? partenaire de ? Journée de lindustrie
• Filiale   Arisem, filiale du groupe Thales
• Arisem ? filiale de ? Thales
• Localisation   Taiwan est une île située au
  sud-est de la Chine
• Taiwan ? situé en ? Chine
• Direction   Mickael Boubozka, directeur
  général de Free
• Mickael Boubozka ? dirige ? Free

15
Problèmes

• Aujourdhui, toutes les approches offrent des
  taux de reconnaissance (repérage catégorisation
  élémentaire) au dessus de 90. Cependant,
  lattribution des catégories non-ambigües reste
  une tâche assez complexe.
• Problèmes de catégorisation dus aux phénomènes
  linguistiques
• polysémie Washington (Lieu VS Personne)
• homonymie PC (Parti Organisation VS
  Ordinateur Moyen)
• métonymie La France a signé le traité de Kyoto
  (Lieu VS État)
• - référents multiples ( facettes sémantiques ,
  selon Cruse 1986, 1995)
• Arnold Schwarzenegger (acteur/ gouverneur de
  Californie/ bodybuilder)
• Désambiguïsation tâche essentielle pour
  lextraction dEN

16
Désambiguïsation dEntités Nommées
17
Futurs développements
18
Fusion dannotations