File size: 104,986 Bytes
6fa4bc9 | 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160 161 162 163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180 181 182 183 184 185 186 187 188 189 190 191 192 193 194 195 196 197 198 199 200 201 202 203 204 205 206 207 208 209 210 211 212 213 214 215 216 217 218 219 220 221 222 223 224 225 226 227 228 229 230 231 232 233 234 235 236 237 238 239 240 241 242 243 244 245 246 247 248 249 250 251 252 253 254 255 256 257 258 259 260 261 262 263 264 265 266 267 268 269 270 271 272 273 274 275 276 277 278 279 280 281 282 283 284 285 286 287 288 289 290 291 292 293 294 295 296 297 298 299 300 301 302 303 304 305 306 307 308 309 310 311 312 313 314 315 316 317 318 319 320 321 322 323 324 325 326 327 328 329 330 331 332 333 334 335 336 337 338 339 340 341 342 343 344 345 346 347 348 349 350 351 352 353 354 355 356 357 358 359 360 361 362 363 364 365 366 367 368 369 370 371 372 373 374 375 376 377 378 379 380 381 382 383 384 385 386 387 388 389 390 391 392 393 394 395 396 397 398 399 400 401 402 403 404 405 406 407 408 409 410 411 412 413 414 415 416 417 418 419 420 421 422 423 424 425 426 427 428 429 430 431 432 433 434 435 436 437 438 439 440 441 442 443 444 445 446 447 448 449 450 451 452 453 454 455 456 457 458 459 460 461 462 463 464 465 466 467 468 469 470 471 472 473 474 475 476 477 478 479 480 481 482 483 484 485 486 487 488 489 490 491 492 493 494 495 496 497 498 499 500 501 502 503 504 505 506 507 508 509 510 511 512 513 514 515 516 517 518 519 520 521 522 523 524 525 526 527 528 529 530 531 532 533 534 535 536 537 538 539 540 541 542 543 544 545 546 547 548 549 550 551 552 553 554 555 556 557 558 559 560 561 562 563 564 565 566 567 568 569 570 571 572 573 574 575 576 577 578 579 580 581 582 583 584 585 586 587 588 589 590 591 592 593 594 595 596 597 598 599 600 601 602 603 604 605 606 607 608 609 610 611 612 613 614 615 616 617 618 619 620 621 622 623 624 625 626 627 628 629 630 631 632 633 634 635 636 637 638 639 640 641 642 643 644 645 646 647 648 649 650 651 652 653 654 655 656 657 658 659 660 661 662 663 664 665 666 667 668 669 670 671 672 673 674 675 676 677 678 679 680 681 682 683 684 685 686 687 688 689 690 691 692 693 694 695 696 697 698 699 700 701 702 703 704 705 706 707 708 709 710 711 712 713 714 715 716 717 718 719 720 721 722 723 724 725 726 727 728 729 730 731 732 733 734 735 736 737 738 739 740 741 742 743 744 745 746 747 748 749 750 751 752 753 754 755 756 757 758 759 760 761 762 763 764 765 766 767 768 769 770 771 772 773 774 775 776 777 778 779 780 781 782 783 784 785 786 787 788 789 790 791 792 793 794 795 796 797 798 799 800 801 802 803 804 805 806 807 808 809 810 811 812 813 814 815 816 817 818 819 820 821 822 823 824 825 826 827 828 829 830 831 832 833 834 835 836 837 838 839 840 841 842 843 844 845 846 847 848 849 850 851 852 853 854 855 856 857 858 859 860 861 862 863 864 865 866 867 868 869 870 871 872 873 874 875 876 877 878 879 880 881 882 883 884 885 886 887 888 889 890 891 892 893 894 895 896 897 898 899 900 901 902 903 904 905 906 907 908 909 910 911 912 913 914 915 916 917 918 919 920 921 922 923 924 925 926 927 928 929 930 931 932 933 934 935 936 937 938 939 940 941 942 943 944 945 946 947 948 949 950 951 952 953 954 955 956 957 958 959 960 961 962 963 964 965 966 967 968 969 970 971 972 973 974 975 976 977 978 979 980 981 982 983 984 985 986 987 988 989 990 991 992 993 994 995 996 997 998 999 1000 1001 1002 1003 1004 1005 1006 1007 1008 1009 1010 1011 1012 1013 1014 1015 1016 1017 1018 1019 1020 1021 1022 1023 1024 1025 1026 1027 1028 1029 1030 1031 1032 1033 1034 1035 1036 1037 1038 1039 1040 1041 1042 1043 1044 1045 1046 1047 1048 1049 1050 1051 1052 1053 1054 1055 1056 1057 1058 1059 1060 1061 1062 1063 1064 1065 1066 1067 1068 1069 1070 1071 1072 1073 1074 1075 1076 1077 1078 1079 1080 1081 1082 1083 1084 1085 1086 1087 1088 1089 1090 1091 1092 1093 1094 1095 1096 1097 1098 1099 1100 1101 1102 1103 1104 1105 1106 1107 1108 1109 1110 1111 1112 1113 1114 1115 1116 1117 1118 1119 1120 1121 1122 1123 1124 1125 1126 1127 1128 1129 1130 1131 1132 1133 1134 1135 1136 1137 1138 1139 1140 1141 1142 1143 1144 1145 1146 1147 1148 1149 1150 1151 1152 1153 1154 1155 1156 1157 1158 1159 1160 1161 1162 1163 1164 1165 1166 1167 1168 1169 1170 1171 1172 1173 1174 1175 1176 1177 1178 1179 1180 1181 1182 1183 1184 1185 1186 1187 1188 1189 1190 1191 1192 1193 1194 1195 1196 1197 1198 1199 1200 1201 1202 1203 1204 1205 1206 1207 1208 1209 1210 1211 1212 1213 1214 1215 1216 1217 1218 1219 1220 1221 1222 1223 1224 1225 1226 1227 1228 1229 1230 1231 1232 1233 1234 1235 1236 1237 1238 1239 1240 1241 1242 1243 1244 1245 1246 1247 1248 1249 1250 1251 1252 1253 1254 1255 1256 1257 1258 1259 1260 1261 1262 1263 1264 1265 1266 1267 1268 1269 1270 1271 1272 1273 1274 1275 1276 1277 1278 1279 1280 1281 1282 1283 1284 1285 1286 1287 1288 1289 1290 1291 1292 1293 1294 1295 1296 1297 1298 1299 1300 1301 1302 1303 1304 1305 1306 1307 1308 1309 1310 1311 1312 1313 1314 1315 1316 1317 1318 1319 1320 1321 1322 1323 1324 1325 1326 1327 1328 1329 1330 1331 1332 1333 1334 1335 1336 1337 1338 1339 1340 1341 1342 1343 1344 1345 1346 1347 1348 1349 1350 1351 1352 1353 1354 1355 1356 1357 1358 1359 1360 1361 1362 1363 1364 1365 1366 1367 1368 1369 1370 1371 1372 1373 1374 1375 1376 1377 1378 1379 1380 1381 1382 1383 1384 1385 1386 1387 1388 1389 1390 1391 1392 1393 1394 1395 1396 1397 1398 1399 1400 1401 1402 1403 1404 1405 1406 1407 1408 1409 1410 1411 1412 1413 1414 1415 1416 1417 1418 1419 1420 1421 1422 1423 1424 1425 1426 1427 1428 1429 1430 1431 1432 1433 1434 1435 1436 1437 1438 1439 1440 1441 1442 1443 1444 1445 1446 1447 1448 1449 1450 1451 1452 1453 1454 1455 1456 1457 1458 1459 1460 1461 1462 1463 1464 1465 1466 1467 1468 1469 1470 1471 1472 1473 1474 1475 1476 1477 1478 1479 1480 1481 1482 1483 1484 1485 1486 1487 1488 1489 1490 1491 1492 1493 1494 1495 1496 1497 1498 1499 1500 1501 1502 1503 1504 1505 1506 1507 1508 1509 1510 1511 1512 1513 1514 1515 1516 1517 1518 1519 1520 1521 1522 1523 1524 1525 1526 1527 1528 1529 1530 1531 1532 1533 1534 1535 1536 1537 1538 1539 1540 1541 1542 1543 1544 1545 1546 1547 1548 1549 1550 1551 1552 1553 1554 1555 1556 1557 1558 1559 1560 1561 1562 1563 1564 1565 1566 1567 1568 1569 1570 1571 1572 1573 1574 1575 1576 1577 1578 1579 1580 1581 1582 1583 1584 1585 1586 1587 1588 1589 1590 1591 1592 1593 1594 1595 1596 1597 1598 1599 1600 1601 1602 1603 1604 1605 1606 1607 1608 1609 1610 1611 1612 1613 1614 1615 1616 1617 1618 1619 1620 1621 1622 1623 1624 1625 1626 1627 1628 1629 1630 1631 1632 1633 1634 1635 1636 1637 1638 1639 1640 1641 1642 1643 1644 1645 1646 1647 1648 1649 1650 1651 1652 1653 1654 1655 1656 1657 1658 1659 1660 1661 1662 1663 1664 1665 1666 1667 1668 1669 1670 1671 1672 1673 1674 1675 1676 1677 1678 1679 1680 1681 1682 1683 1684 1685 1686 1687 1688 1689 1690 1691 1692 1693 1694 1695 1696 1697 1698 1699 1700 1701 1702 1703 1704 1705 1706 1707 1708 1709 1710 1711 1712 1713 1714 1715 1716 1717 1718 1719 1720 1721 1722 1723 1724 1725 1726 1727 1728 1729 1730 1731 1732 1733 1734 1735 1736 1737 1738 1739 1740 1741 1742 1743 1744 1745 1746 1747 1748 1749 1750 1751 1752 1753 1754 1755 1756 1757 1758 1759 1760 1761 1762 1763 1764 1765 1766 1767 1768 1769 1770 1771 1772 1773 1774 1775 1776 1777 1778 1779 1780 1781 1782 1783 | {
"paper_id": "F13-1019",
"header": {
"generated_with": "S2ORC 1.0.0",
"date_generated": "2023-01-19T09:40:33.566466Z"
},
"title": "D\u00e9couverte de connaissances dans les s\u00e9quences par CRF non-supervis\u00e9s",
"authors": [
{
"first": "Vincent",
"middle": [],
"last": "Claveau",
"suffix": "",
"affiliation": {
"laboratory": "",
"institution": "IRISA-CNRS",
"location": {}
},
"email": ""
},
{
"first": "Abir",
"middle": [],
"last": "Ncibi",
"suffix": "",
"affiliation": {
"laboratory": "",
"institution": "INRIA-IRISA Campus de Beaulieu",
"location": {
"postCode": "35042",
"settlement": "Rennes",
"country": "France R\u00c9SUM\u00c9"
}
},
"email": ""
}
],
"year": "",
"venue": null,
"identifiers": {},
"abstract": "Les t\u00e2ches de d\u00e9couverte de connaissances ont pour but de faire \u00e9merger des groupes d'entit\u00e9s coh\u00e9rents. Ils reposent le plus souvent sur du clustering, tout l'enjeu \u00e9tant de d\u00e9finir une notion de similarit\u00e9 pertinentes entre ces entit\u00e9s. Dans cet article, nous proposons de d\u00e9tourner les champs al\u00e9atoires conditionnels (CRF), qui ont montr\u00e9 leur int\u00e9r\u00eat pour des t\u00e2ches d'\u00e9tiquetage supervis\u00e9es, pour calculer indirectement ces similarit\u00e9s sur des s\u00e9quences de textes. Pour cela, nous g\u00e9n\u00e9rons des probl\u00e8mes d'\u00e9tiquetage factices sur les donn\u00e9es \u00e0 traiter pour faire appara\u00eetre des r\u00e9gularit\u00e9s dans les \u00e9tiquetages des entit\u00e9s. Nous d\u00e9crivons comment ce cadre peut \u00eatre mis en oeuvre et l'exp\u00e9rimentons sur deux t\u00e2ches d'extraction d'informations. Les r\u00e9sultats obtenus d\u00e9montrent l'int\u00e9r\u00eat de cette approche non-supervis\u00e9e, qui ouvre de nombreuses pistes pour le calcul de similarit\u00e9s dans des espaces de repr\u00e9sentations complexes de s\u00e9quences.",
"pdf_parse": {
"paper_id": "F13-1019",
"_pdf_hash": "",
"abstract": [
{
"text": "Les t\u00e2ches de d\u00e9couverte de connaissances ont pour but de faire \u00e9merger des groupes d'entit\u00e9s coh\u00e9rents. Ils reposent le plus souvent sur du clustering, tout l'enjeu \u00e9tant de d\u00e9finir une notion de similarit\u00e9 pertinentes entre ces entit\u00e9s. Dans cet article, nous proposons de d\u00e9tourner les champs al\u00e9atoires conditionnels (CRF), qui ont montr\u00e9 leur int\u00e9r\u00eat pour des t\u00e2ches d'\u00e9tiquetage supervis\u00e9es, pour calculer indirectement ces similarit\u00e9s sur des s\u00e9quences de textes. Pour cela, nous g\u00e9n\u00e9rons des probl\u00e8mes d'\u00e9tiquetage factices sur les donn\u00e9es \u00e0 traiter pour faire appara\u00eetre des r\u00e9gularit\u00e9s dans les \u00e9tiquetages des entit\u00e9s. Nous d\u00e9crivons comment ce cadre peut \u00eatre mis en oeuvre et l'exp\u00e9rimentons sur deux t\u00e2ches d'extraction d'informations. Les r\u00e9sultats obtenus d\u00e9montrent l'int\u00e9r\u00eat de cette approche non-supervis\u00e9e, qui ouvre de nombreuses pistes pour le calcul de similarit\u00e9s dans des espaces de repr\u00e9sentations complexes de s\u00e9quences.",
"cite_spans": [],
"ref_spans": [],
"eq_spans": [],
"section": "Abstract",
"sec_num": null
}
],
"body_text": [
{
"text": "Les t\u00e2ches d'\u00e9tiquetage de s\u00e9quences sont depuis longtemps d'un int\u00e9r\u00eat particulier pour le TAL (\u00e9tiquetage en parties-du-discours, annotation s\u00e9mantique, extraction d'information, etc.). Beaucoup d'outils ont \u00e9t\u00e9 propos\u00e9s pour ce faire, mais depuis quelques ann\u00e9es, les Champs al\u00e9atoires conditionnels (Conditional Random Fields, CRF (Lafferty et al., 2001) ) se sont impos\u00e9s comme l'un des plus efficaces pour de nombreuses t\u00e2ches. Ces mod\u00e8les sont supervis\u00e9s : des exemples de s\u00e9quences avec leurs labels sont donc n\u00e9cessaires.",
"cite_spans": [
{
"start": 303,
"end": 358,
"text": "(Conditional Random Fields, CRF (Lafferty et al., 2001)",
"ref_id": null
}
],
"ref_spans": [],
"eq_spans": [],
"section": "Introduction",
"sec_num": "1"
},
{
"text": "Le travail pr\u00e9sent\u00e9 dans cet article se place dans un cadre diff\u00e9rent dans lequel on souhaite faire \u00e9merger des informations \u00e0 partir de ces s\u00e9quences. Nous nous inscrivons donc dans une t\u00e2che de d\u00e9couverte de connaissances dans laquelle il n'est plus question de supervision, le but \u00e9tant au contraire de d\u00e9couvrir comment les donn\u00e9es peuvent \u00eatre regroup\u00e9es dans des cat\u00e9gories qui fassent sens. Ces t\u00e2ches de d\u00e9couvertes reposent donc le plus souvent sur du clustering (Wang et al., 2011 (Wang et al., , 2012 Ebadat et al., 2012) , la question cruciale \u00e9tant de savoir comment calculer la similarit\u00e9 entre deux entit\u00e9s jug\u00e9es int\u00e9ressantes. Dans cet article, nous proposons de d\u00e9tourner les CRF en produisant des probl\u00e8mes d'\u00e9tiquetage factices pour faire appara\u00eetre des entit\u00e9s r\u00e9guli\u00e8rement \u00e9tiquet\u00e9es de la m\u00eame fa\u00e7on. De ces r\u00e9gularit\u00e9s est alors tir\u00e9e une notion de similarit\u00e9 entre les entit\u00e9s, qui est donc d\u00e9finie par extension et non par intention. D'un point de vue applicatif, outre l'usage pour la d\u00e9couverte de connaissances, les similarit\u00e9s obtenues par CRF et le clustering qu'il permet peut servir en amont de t\u00e2ches supervis\u00e9es : -il peut \u00eatre utilis\u00e9 pour r\u00e9duire le co\u00fbt de l'annotation de donn\u00e9es. Il est en effet plus simple d'\u00e9tiqueter un cluster que d'annoter un texte instance par instance. -il peut permettre de rep\u00e9rer des classes difficiles \u00e0 discerner, ou au contraire d'exhiber des classes dont les instances sont tr\u00e8s diverses. Cela permet alors d'adapter la t\u00e2che de classification supervis\u00e9e en modifiant le jeu d'\u00e9tiquettes. Dans la suite de cet article, nous positionnons notre travail par rapport aux travaux existants et pr\u00e9sentons bri\u00e8vement les CRF en introduisant quelques notions utiles pour la suite de l'article. Notre d\u00e9crivons ensuite en section 3 le principe de notre approche de d\u00e9couverte utilisant les CRF en mode non-supervis\u00e9 pour faire de la d\u00e9couverte dans des s\u00e9quences. Nous proposons deux exp\u00e9rimentations de cette approche dans les sections 4 et 5, puis nous pr\u00e9sentons nos conclusions et quelques pistes ouvertes par ce travail.",
"cite_spans": [
{
"start": 472,
"end": 490,
"text": "(Wang et al., 2011",
"ref_id": "BIBREF29"
},
{
"start": 491,
"end": 511,
"text": "(Wang et al., , 2012",
"ref_id": "BIBREF30"
},
{
"start": 512,
"end": 532,
"text": "Ebadat et al., 2012)",
"ref_id": "BIBREF2"
}
],
"ref_spans": [],
"eq_spans": [],
"section": "Introduction",
"sec_num": "1"
},
{
"text": "Comme nous l'avons mentionn\u00e9 en introduction, les t\u00e2ches d'\u00e9tiquetage de s\u00e9quences sont tr\u00e8s courantes en traitement automatique des langues. Celles-ci se pr\u00e9sentent souvent dans un cadre supervis\u00e9, c'est-\u00e0-dire que l'on dispose de s\u00e9quences annot\u00e9es par des experts, et incidemment du jeu de label \u00e0 utiliser. C'est dans ce cadre que les CRF se sont impos\u00e9s comme des techniques d'apprentissage tr\u00e8s performantes, obtenant d'excellents r\u00e9sultats pour de nombreuses t\u00e2ches (Wang et al., 2006; Pranjal et al., 2006; Constant et al., 2011; Raymond et Fayolle, 2010, entre autres) .",
"cite_spans": [
{
"start": 473,
"end": 492,
"text": "(Wang et al., 2006;",
"ref_id": "BIBREF28"
},
{
"start": 493,
"end": 514,
"text": "Pranjal et al., 2006;",
"ref_id": "BIBREF19"
},
{
"start": 515,
"end": 537,
"text": "Constant et al., 2011;",
"ref_id": "BIBREF1"
},
{
"start": 538,
"end": 577,
"text": "Raymond et Fayolle, 2010, entre autres)",
"ref_id": null
}
],
"ref_spans": [],
"eq_spans": [],
"section": "Travaux connexes",
"sec_num": "2"
},
{
"text": "Plusieurs \u00e9tudes ont propos\u00e9 de passer \u00e0 un cadre non-supervis\u00e9. Certaines ne rel\u00e8vent pas \u00e0 proprement parler de non-supervision mais plut\u00f4t de semi-supervision, o\u00f9 le but est de limiter le nombre de s\u00e9quences \u00e0 annoter. C'est notamment le cas pour la reconnaissance d'entit\u00e9s nomm\u00e9es o\u00f9 beaucoup de travaux s'appuient sur des bases de connaissances ext\u00e9rieures (Wikipedia par exemple), ou sur des r\u00e8gles d'extraction d'amor\u00e7age donn\u00e9es par un expert (Kozareva, 2006; Kazama et Torisawa, 2007; Wenhui Liao, 2009; Elsner et al., 2009) . On peut \u00e9galement citer les travaux sur l'\u00e9tiquetage en parties du discours sans donn\u00e9es annot\u00e9es (Merialdo, 1994; Ravi et Knight, 2009; Richard et Benoit, 2010) . Dans tous les cas, l'angle de vue de ces travaux est la limitation, voire la suppression, des donn\u00e9es d'apprentissage. Ils ne se posent pas dans un cadre de d\u00e9couverte de connaissances : ils reposent donc sur un tagset d\u00e9j\u00e0 \u00e9tabli, m\u00eame si la correspondance mot-tag peut n'\u00eatre qu'incompl\u00e8tement disponible (Smith et Eisner, 2005; Goldwater et Griffiths, 2007) .",
"cite_spans": [
{
"start": 452,
"end": 468,
"text": "(Kozareva, 2006;",
"ref_id": "BIBREF11"
},
{
"start": 469,
"end": 494,
"text": "Kazama et Torisawa, 2007;",
"ref_id": "BIBREF10"
},
{
"start": 495,
"end": 513,
"text": "Wenhui Liao, 2009;",
"ref_id": "BIBREF31"
},
{
"start": 514,
"end": 534,
"text": "Elsner et al., 2009)",
"ref_id": "BIBREF3"
},
{
"start": 635,
"end": 651,
"text": "(Merialdo, 1994;",
"ref_id": "BIBREF16"
},
{
"start": 652,
"end": 673,
"text": "Ravi et Knight, 2009;",
"ref_id": "BIBREF21"
},
{
"start": 674,
"end": 698,
"text": "Richard et Benoit, 2010)",
"ref_id": "BIBREF23"
},
{
"start": 1008,
"end": 1031,
"text": "(Smith et Eisner, 2005;",
"ref_id": "BIBREF26"
},
{
"start": 1032,
"end": 1061,
"text": "Goldwater et Griffiths, 2007)",
"ref_id": "BIBREF5"
}
],
"ref_spans": [],
"eq_spans": [],
"section": "Travaux connexes",
"sec_num": "2"
},
{
"text": "Le cadre que nous adoptons dans cet article est diff\u00e9rent puisque nous proposons de faire \u00e9merger les cat\u00e9gories de donn\u00e9es non annot\u00e9es. \u00c0 l'inverse des travaux pr\u00e9c\u00e9dents, nous ne faisons donc pas d'a priori sur les \u00e9tiquettes possibles. Notre t\u00e2che rel\u00e8ve donc d'un clustering dans lequel les \u00e9l\u00e9ments similaires des s\u00e9quences doivent \u00eatre group\u00e9s, comme cela a \u00e9t\u00e9 fait par exemple par Ebadat et al. (2012) pour certaines entit\u00e9s nomm\u00e9es. Le clustering de mots n'est pas une t\u00e2che nouvelle en soi, mais elle repose sur la d\u00e9finition d'une repr\u00e9sentation pour les mots (typiquement un vecteur de contexte) et une mesure de distance (ou de similarit\u00e9, typiquement un cosinus). Notre approche a pour but d'utiliser la puissance discriminative des CRF, qui a montr\u00e9 son int\u00e9r\u00eat dans le cas supervis\u00e9, pour offrir une mesure de similarit\u00e9 plus performante. Il s'agit donc de transformer cette technique supervis\u00e9e en m\u00e9thode non-supervis\u00e9e permettant de d\u00e9terminer la similarit\u00e9 entre deux objets.",
"cite_spans": [
{
"start": 390,
"end": 410,
"text": "Ebadat et al. (2012)",
"ref_id": "BIBREF2"
}
],
"ref_spans": [],
"eq_spans": [],
"section": "Travaux connexes",
"sec_num": "2"
},
{
"text": "Ce d\u00e9tournement de techniques d'apprentissage supervis\u00e9 pour faire \u00e9merger des similarit\u00e9s dans des donn\u00e9es complexes non \u00e9tiquet\u00e9es a d\u00e9j\u00e0 \u00e9t\u00e9 utilis\u00e9. Il a montr\u00e9 son int\u00e9r\u00eat sur des donn\u00e9es de type attributs-valeurs pour lesquelles la d\u00e9finition d'une similarit\u00e9 \u00e9tait difficile (attributs non num\u00e9riques, biais d'une d\u00e9finition ex nihilo), notamment avec le random forest clustering (Liu et al., 2000; Hastie et al., 2001 ). L'approche consiste \u00e0 g\u00e9n\u00e9rer un grand nombre de probl\u00e8mes d'apprentissage factices, avec des donn\u00e9es synth\u00e9tiques m\u00e9lang\u00e9es aux donn\u00e9es r\u00e9elles, et de voir quelles donn\u00e9es sont class\u00e9es r\u00e9guli\u00e8rement ensemble (Shi et Horvath, 2005) . Notre approche s'inscrit dans ce cadre, mais exploite les particularit\u00e9s des CRF pour pouvoir prendre en compte la nature s\u00e9quentielle de nos donn\u00e9es.",
"cite_spans": [
{
"start": 387,
"end": 405,
"text": "(Liu et al., 2000;",
"ref_id": "BIBREF14"
},
{
"start": 406,
"end": 425,
"text": "Hastie et al., 2001",
"ref_id": "BIBREF8"
},
{
"start": 639,
"end": 661,
"text": "(Shi et Horvath, 2005)",
"ref_id": "BIBREF25"
}
],
"ref_spans": [],
"eq_spans": [],
"section": "Travaux connexes",
"sec_num": "2"
},
{
"text": "Les CRF (Lafferty et al., 2001 ) sont des mod\u00e8les graphiques non dirig\u00e9s qui cherchent \u00e0 repr\u00e9senter la distribution de probabilit\u00e9s d'annotations (ou \u00e9tiquettes ou labels) y conditionnellement aux observations x \u00e0 partir d'exemples labellis\u00e9s (exemples avec les labels attendus). Ce sont donc des mod\u00e8les obtenus par apprentissage supervis\u00e9, tr\u00e8s utilis\u00e9s notamment dans les probl\u00e8mes d'\u00e9tiquetage de s\u00e9quences. Un bonne pr\u00e9sentation des CRF peut \u00eatre trouv\u00e9e dans ? ? ?. Nous ne pr\u00e9sentons ci-dessous que les \u00e9l\u00e9ments et notations utiles pour la suite de cet article.",
"cite_spans": [
{
"start": 8,
"end": 30,
"text": "(Lafferty et al., 2001",
"ref_id": "BIBREF12"
}
],
"ref_spans": [],
"eq_spans": [],
"section": "Champs al\u00e9atoires conditionnels",
"sec_num": "2.1"
},
{
"text": "Dans le cas s\u00e9quentiel, c'est-\u00e0-dire l'\u00e9tiquetage d'observations x i par des labels y i , la fonction potentielle au coeur des CRF s'\u00e9crit :",
"cite_spans": [],
"ref_spans": [],
"eq_spans": [],
"section": "Champs al\u00e9atoires conditionnels",
"sec_num": "2.1"
},
{
"text": "EQUATION",
"cite_spans": [],
"ref_spans": [],
"eq_spans": [
{
"start": 0,
"end": 8,
"text": "EQUATION",
"ref_id": "EQREF",
"raw_str": "P( y|x) = 1 Z(x) ex p \uf8eb \uf8ed k 1 k=1 n i=1 \u03bb k f k ( y i , x) + k 2 k=1 n i=1 \u00b5 k g k ( y i\u22121 , y i , x) \uf8f6 \uf8f8",
"eq_num": "(1)"
}
],
"section": "Champs al\u00e9atoires conditionnels",
"sec_num": "2.1"
},
{
"text": "avec :",
"cite_spans": [],
"ref_spans": [],
"eq_spans": [],
"section": "Champs al\u00e9atoires conditionnels",
"sec_num": "2.1"
},
{
"text": "-Z(x) un facteur de normalisation ; -les fonctions caract\u00e9ristiques locales et globales (fonctions features) f et g : les fonctions f caract\u00e9risent les relations locales entre le label courant en position i et les observations ; les fonctions g caract\u00e9risent les transitions entre les noeuds du graphe, c'est-\u00e0-dire entre chaque paires de labels i et i \u2212 1, et la s\u00e9quence d'observations. -les valeurs k 1 , k 2 et n sont respectivement le nombre de fonctions features f , le nombre de fonctions features g, et la taille de la s\u00e9quence de labels \u00e0 pr\u00e9dire. Les fonctions f et g sont g\u00e9n\u00e9ralement des fonctions binaires v\u00e9rifiant une certaine combinaison de labels et d'attributs d\u00e9crivant les observations et appliqu\u00e9es \u00e0 chaque position de la s\u00e9quence. Ces fonctions sont d\u00e9finies par l'utilisateur ; elles refl\u00e8tent sa connaissance de l'application. Elles sont pond\u00e9r\u00e9es par les \u03bb k et \u00b5 k qui estiment l'importance de l'information qu'elles apportent pour d\u00e9terminer la classe. L'apprentissage des CRF consiste \u00e0 estimer le vecteur de param\u00e8tres",
"cite_spans": [],
"ref_spans": [],
"eq_spans": [],
"section": "Champs al\u00e9atoires conditionnels",
"sec_num": "2.1"
},
{
"text": "\u03b8 = \u03bb 1 , \u03bb 2 , ...., \u03bb k 1 , \u00b5 1 , \u00b5 2 , ..., \u00b5 k 2 (poids des fonctions f et g) \u00e0 partir de donn\u00e9es d'entra\u00eene- ment, c'est-\u00e0-dire N s\u00e9quences \u00e9tiquet\u00e9es (x (i) , y (i) ) i=N i=1",
"cite_spans": [],
"ref_spans": [],
"eq_spans": [],
"section": "Champs al\u00e9atoires conditionnels",
"sec_num": "2.1"
},
{
"text": ". en pratique, ce probl\u00e8me est ramen\u00e9 \u00e0 un probl\u00e8me d'optimisation, g\u00e9n\u00e9ralement r\u00e9solu en utilisant des m\u00e9thodes de type quasi-Newton, comme l'algorithme L-BFGS (Schraudolph et al., 2007) . Apr\u00e8s cette \u00e9tape d'apprentissage, l'application des CRF \u00e0 de nouvelles donn\u00e9es consiste \u00e0 trouver la s\u00e9quence de labels la plus probable \u00e9tant donn\u00e9e une s\u00e9quence d'observations non-vue. Comme pour les autres m\u00e9thodes stochastiques, celle-ci est g\u00e9n\u00e9ralement obtenu avec un algorithme de Viterbi.",
"cite_spans": [
{
"start": 162,
"end": 188,
"text": "(Schraudolph et al., 2007)",
"ref_id": "BIBREF24"
}
],
"ref_spans": [],
"eq_spans": [],
"section": "Champs al\u00e9atoires conditionnels",
"sec_num": "2.1"
},
{
"text": "Nous d\u00e9crivons dans cette section le principe de notre approche. Une vue g\u00e9n\u00e9rale est tout d'abord donn\u00e9e au travers d'un algorithme sch\u00e9matisant l'ensemble du processus. Nous en d\u00e9taillons ensuite quelques points cruciaux, ainsi que des aspects plus pragmatiques de l'utilisation de cette m\u00e9thode.",
"cite_spans": [],
"ref_spans": [],
"eq_spans": [],
"section": "Principes du mod\u00e8le non supervis\u00e9",
"sec_num": "3"
},
{
"text": "Comme nous l'avons expliqu\u00e9 pr\u00e9c\u00e9demment, l'id\u00e9e principale de notre approche est de d\u00e9duire une distance (ou une similarit\u00e9) \u00e0 partir de classifications r\u00e9p\u00e9t\u00e9es de deux objets pour des t\u00e2ches d'apprentissage al\u00e9atoire. Plus les objets sont d\u00e9tect\u00e9s souvent comme appartenant \u00e0 la m\u00eame classe, plus ils sont suppos\u00e9s proches. L'algorithme 1 donne un aper\u00e7u global de la d\u00e9marche. Dans notre cadre s\u00e9quentiel, la classification est faite gr\u00e2ce aux CRF (les \u00e9tapes 6 et 7 correspondent simplement \u00e0 l'apprentissage et l'application d'un mod\u00e8le CRF). Celle-ci est r\u00e9p\u00e9t\u00e9e un grand nombre de fois en faisant varier les donn\u00e9es, les labels (les \u03c9 i sont des classes factices) et les param\u00e8tres des apprentissages. Il est tenu \u00e0 jour un compte des paire de mots (x i , x j ) recevant les m\u00eames labels ; ces co-\u00e9tiquetages sont contenus dans la matrice co-et . Ils sont mis \u00e0 jour \u00e0 chaque it\u00e9ration en tenant compte \u00e9ventuellement de diff\u00e9rents crit\u00e8res, selon une fonction weight (cf. infra pour une discussion sur ce point). Ces co-\u00e9tiquetages sont ensuite transform\u00e9s en mesures de similarit\u00e9 (cela peut \u00eatre une simple normalisation) collect\u00e9es dans sim . G\u00e9n\u00e9rer al\u00e9atoirement un ensemble de fonctions f et g 6:",
"cite_spans": [],
"ref_spans": [],
"eq_spans": [],
"section": "Principe g\u00e9n\u00e9ral",
"sec_num": "3.1"
},
{
"text": "Inf\u00e9rence : \u03b8 \u2190 L-BFGS( train , y, f ,g) 7:",
"cite_spans": [],
"ref_spans": [],
"eq_spans": [],
"section": "Principe g\u00e9n\u00e9ral",
"sec_num": "3.1"
},
{
"text": "Application :",
"cite_spans": [],
"ref_spans": [],
"eq_spans": [],
"section": "Principe g\u00e9n\u00e9ral",
"sec_num": "3.1"
},
{
"text": "y * = arg max y p (\u03b8 , f ,g) ( y|x) pour tous les x \u2208 app 8: for all classe \u03c9 l parmi \u03c9 1 ...\u03c9 L do 9:",
"cite_spans": [],
"ref_spans": [],
"eq_spans": [],
"section": "Principe g\u00e9n\u00e9ral",
"sec_num": "3.1"
},
{
"text": "for all paire x i , x j de app telle que ",
"cite_spans": [],
"ref_spans": [],
"eq_spans": [],
"section": "Principe g\u00e9n\u00e9ral",
"sec_num": "3.1"
},
{
"text": "y * i = y * j = \u03c9 l do 10: co-et (x i , x j )+ = weight(x i , x j , \u03c9 l )",
"cite_spans": [],
"ref_spans": [],
"eq_spans": [],
"section": "Principe g\u00e9n\u00e9ral",
"sec_num": "3.1"
},
{
"text": "L'approche repose sur le fait que les CRF vont permettre d'exhiber une similarit\u00e9 entre des mots en leur attribuant r\u00e9guli\u00e8rement les m\u00eames \u00e9tiquettes dans des conditions d'apprentissage tr\u00e8s vari\u00e9es. Pour cela, \u00e0 chaque it\u00e9ration, plusieurs choix al\u00e9atoires sont mis-en-oeuvre ; ils concernent : -les s\u00e9quences servant \u00e0 l'apprentissage et leur nombre ; -les labels (distribution et nombre) ; -les fonctions features d\u00e9crivant les mots ; Ces apprentissages sur des t\u00e2ches supervis\u00e9es factices doivent ainsi conf\u00e9rer, par leur vari\u00e9t\u00e9, des propri\u00e9t\u00e9s importantes \u00e0 la similarit\u00e9 obtenue. Celle-ci m\u00e9lange ainsi naturellement des descriptions complexes (attributs nominaux divers sur le mot courant, sur les mots voisins), op\u00e8re par construction une s\u00e9lection de variables et prend ainsi en compte les redondances des descripteurs ou ignore ceux de mauvaise qualit\u00e9, et elle est robuste aux donn\u00e9es aberrantes.",
"cite_spans": [],
"ref_spans": [],
"eq_spans": [],
"section": "Apprentissage al\u00e9atoire",
"sec_num": "3.2"
},
{
"text": "Bien s\u00fbr, comme nous l'avons d\u00e9j\u00e0 soulign\u00e9, ce r\u00f4le important de l'al\u00e9atoire n'emp\u00eache pas l'utilisateur de contr\u00f4ler la t\u00e2che via des biais. Cela se traduit par exemple par la mise \u00e0 disposition des descriptions riches des mots : \u00e9tiqueter des s\u00e9quences en parties-du-discours, apport d'informations s\u00e9mantiques sur certains mots... Cela se traduit \u00e9galement par la d\u00e9finition de l'ensemble des fonctions features parmi lesquelles l'algorithme peut piocher les fonctions f et g \u00e0 chaque it\u00e9ration. Dans les exp\u00e9riences rapport\u00e9es ci-dessous, cet ensemble de fonctions est celui classiquement utilis\u00e9s en reconnaissance d'entit\u00e9s nomm\u00e9es : forme et parties du discours du mot courant, des 3 pr\u00e9c\u00e9dents et 3 suivants, des bigrammes de ces attributs, casse des motsformes courants et environnants... Concernant les ensembles train et app , \u00e0 chaque it\u00e9ration 5 % des phrases sont tir\u00e9es al\u00e9atoirement pour constituer l'ensemble d'entra\u00eenement ; le reste sert d'ensemble d'application.",
"cite_spans": [],
"ref_spans": [],
"eq_spans": [],
"section": "Apprentissage al\u00e9atoire",
"sec_num": "3.2"
},
{
"text": "Le choix du nombre de labels factices et leur distribution est \u00e9galement important (mais il faut noter que le nombre de labels choisi \u00e0 ce stade n'implique pas directement le nombre de clusters qui seront produits lors de l'\u00e9tape finale de clustering). Un trop grand nombre de labels lors de l'apprentissage risque d'emp\u00eacher de produire ensuite un \u00e9tiquetage dans lequel peu d'entit\u00e9s partagent le m\u00eame label. En soit ce probl\u00e8me ne pose pas n\u00e9cessairement un probl\u00e8me de qualit\u00e9 finale, mais risque d'augmenter le nombre d'it\u00e9rations suffisant pour l'obtention de ce r\u00e9sultat final. \u00c0 l'inverse, si l'on choisit un nombre trop restreint de labels, l'application du mod\u00e8le risque de de ne pas suffisamment diff\u00e9rencier les entit\u00e9s, produisant des co-\u00e9tiquetages fortuits. Ce probl\u00e8me est plus g\u00eanant car il va impacter le r\u00e9sultat du clustering. Il faut de plus noter que tout cela est \u00e0 interpr\u00e9ter selon les autres param\u00e8tres de l'apprentissage. Ainsi, les fonctions features vont permettre ou pas un sur-apprentissage, et donc \u00e9ventuellement emp\u00eacher ou favoriser les co-\u00e9tiquetages. La taille de train , et notamment le nombre d'entit\u00e9s y recevant un m\u00eame label intervient aussi : si syst\u00e9matiquement d\u00e8s l'entra\u00eenement un grand nombre d'entit\u00e9s, probablement de classes diff\u00e9rentes, re\u00e7oivent le m\u00eame label, les mod\u00e8les ne vont pas \u00eatre correctement discriminants.",
"cite_spans": [],
"ref_spans": [],
"eq_spans": [],
"section": "Labels al\u00e9atoires",
"sec_num": "3.3"
},
{
"text": "Pour correctement prendre en compte ce ph\u00e9nom\u00e8ne, il serait n\u00e9cessaire de caract\u00e9riser la propension du mod\u00e8le appris, avant l'\u00e9tiquetage, \u00e0 trop ou pas assez discriminer les entit\u00e9s. Dans l'\u00e9tat actuel de nos travaux, nous n'avons pas formalis\u00e9 un tel crit\u00e8re. Nous utilisons simplement un crit\u00e8re a posteriori d\u00e9termin\u00e9 sur le texte apr\u00e8s \u00e9tiquetage : un co-\u00e9tiquetage de deux entit\u00e9s \"rapporte plus\" si peu d'entit\u00e9s ont \u00e9t\u00e9 \u00e9tiquet\u00e9es avec ce m\u00eame label. Cela est mis en oeuvre dans la fonction weight utilis\u00e9e pour mettre \u00e0 jour la matrice co-et . En pratique, dans les exp\u00e9riences rapport\u00e9es dans cet article, on a d\u00e9fini cette fonction par :",
"cite_spans": [],
"ref_spans": [],
"eq_spans": [],
"section": "Labels al\u00e9atoires",
"sec_num": "3.3"
},
{
"text": "weight(x i , x j , \u03c9 l ) = 1 |{x k | y k =\u03c9 l }|",
"cite_spans": [],
"ref_spans": [],
"eq_spans": [],
"section": "Labels al\u00e9atoires",
"sec_num": "3.3"
},
{
"text": "et le nombre de labels est lui aussi tir\u00e9 al\u00e9atoirement entre 10 et 50 \u00e0 chaque it\u00e9ration.",
"cite_spans": [],
"ref_spans": [],
"eq_spans": [],
"section": "Labels al\u00e9atoires",
"sec_num": "3.3"
},
{
"text": "Il est aussi possible, selon le probl\u00e8me trait\u00e9 et les connaissances particuli\u00e8res qui s'y appliquent, de biaiser la distribution des \u00e9tiquettes al\u00e9atoires. Ainsi, pour un probl\u00e8me donn\u00e9, si l'on sait que toutes les occurrences d'un mot-forme ont forc\u00e9ment la m\u00eame classe, il est important que cette contrainte soit mise en oeuvre lors de la production des donn\u00e9es d'entra\u00eenement. L'exp\u00e9rience rapport\u00e9e en section 4 se place dans ce cadre.",
"cite_spans": [],
"ref_spans": [],
"eq_spans": [],
"section": "Labels al\u00e9atoires",
"sec_num": "3.3"
},
{
"text": "L'\u00e9tape finale de clustering peut \u00eatre mise en oeuvre de diff\u00e9rentes fa\u00e7ons gr\u00e2ce aux techniques et outils existants. L'algorithme c\u00e9l\u00e8bre du k-means qui n\u00e9cessite des calculs de barycentres durant le processus n'est bien s\u00fbr pas adapt\u00e9 \u00e0 notre espace non m\u00e9trique. Sa variante k-medoids, qui utilise un objet comme repr\u00e9sentant d'un cluster et ne n\u00e9cessite donc pas d'autres mesures que celles fournie par sim , peut l'\u00eatre.",
"cite_spans": [],
"ref_spans": [],
"eq_spans": [],
"section": "Clustering",
"sec_num": "3.4"
},
{
"text": "Il faut cependant noter que dans nos t\u00e2ches de d\u00e9couverte, le nombre de clusters attendus est inconnu. Pour notre part, dans les exp\u00e9rimentations pr\u00e9sent\u00e9es dans les sections 4 et 5, nous utilisons donc une autre technique de clustering, le Markov Clustering (MCL). Cette technique a \u00e9t\u00e9 d\u00e9velopp\u00e9e initialement pour le partitionnement de grands graphes (van Dongen, 2000) . Son avantage par rapport au k-medoids est de ne pas n\u00e9cessiter de fixer a priori le nombre de clusters attendus, et aussi d'\u00e9viter le probl\u00e8me de l'initialisation de ces clusters. Nous consid\u00e9rons donc simplement nos objets (mots ou autres entit\u00e9s) comme des noeuds d'un graphe dont les arcs sont valu\u00e9s en fonction de la similarit\u00e9 contenue dans sim .",
"cite_spans": [
{
"start": 354,
"end": 372,
"text": "(van Dongen, 2000)",
"ref_id": "BIBREF27"
}
],
"ref_spans": [],
"eq_spans": [],
"section": "Clustering",
"sec_num": "3.4"
},
{
"text": "Appliqu\u00e9 tel quel, le processus expos\u00e9 en section 3 va consid\u00e9rer tous les \u00e9l\u00e9ments composant les s\u00e9quences et tenter de les organiser en clusters. Dans beaucoup d'applications, la t\u00e2che de clustering n'est int\u00e9ressante que pour une sous-partie de ces \u00e9l\u00e9ments. C'est par exemple le cas en reconnaissance d'entit\u00e9s nomm\u00e9es ou plus largement en extraction d'information, o\u00f9 seuls certains mots ou groupe de mots doivent \u00eatre consid\u00e9r\u00e9s. Dans ce cadre, il est tr\u00e8s courant d'utiliser des labels dits BIO (Begin-In-Out) qui permettent de mod\u00e9liser le fait qu'une entit\u00e9 soit multi-mot (le B pour Begin identifie le d\u00e9but de l'entit\u00e9, le I pour In la continuit\u00e9 et le O indique le mot ne fait pas partie de l'entit\u00e9). Voici un exemple de s\u00e9quences factices tir\u00e9 des donn\u00e9es utilis\u00e9es en section 5 :",
"cite_spans": [],
"ref_spans": [],
"eq_spans": [],
"section": "Aspects op\u00e9rationnels",
"sec_num": "3.5"
},
{
"text": "x y Cette connaissance externe fait partie des biais indispensables pour cadrer le processus d'apprentissage non-supervis\u00e9 et faire en sorte qu'il s'applique aux besoins sp\u00e9cifiques de l'utilisateur. Mais il est important de noter que cette connaissance sur les entit\u00e9s \u00e0 consid\u00e9rer n'est pas de m\u00eame ordre que celle l'on se propose de d\u00e9couvrir via le clustering. Dans le premier cas, il s'agit de d\u00e9limiter les entit\u00e9s int\u00e9ressantes, dans le second cas, il s'agit d'en faire \u00e9merger des classes, sans a priori leur nature.",
"cite_spans": [],
"ref_spans": [],
"eq_spans": [],
"section": "Aspects op\u00e9rationnels",
"sec_num": "3.5"
},
{
"text": "Il est possible dans ce cas de supposer que l'on sait d\u00e9limiter les entit\u00e9s int\u00e9ressantes dans les s\u00e9quences ; c'est l'hypoth\u00e8se adopt\u00e9e dans plusieurs travaux sur la classification d'entit\u00e9s nomm\u00e9es (Collins et Singer, 1999; Elsner et al., 2009; Ebadat et al., 2012) . Il est aussi, bien s\u00fbr, possible de consid\u00e9rer ce probl\u00e8me comme un probl\u00e8me d'apprentissage pour lequel l'utilisateur doit fournir quelques exemples. Dans les deux cas, cela n\u00e9cessite de l'expertise, fournie soit en intention (crit\u00e8res objectifs pour d\u00e9limiter les entit\u00e9s), soit en extension (exemples ; cf. soussection 5.2). Chacune des exp\u00e9riences rapport\u00e9es ci-dessous adopte l'un de ces cas de figure.",
"cite_spans": [
{
"start": 200,
"end": 225,
"text": "(Collins et Singer, 1999;",
"ref_id": "BIBREF0"
},
{
"start": 226,
"end": 246,
"text": "Elsner et al., 2009;",
"ref_id": "BIBREF3"
},
{
"start": 247,
"end": 267,
"text": "Ebadat et al., 2012)",
"ref_id": "BIBREF2"
}
],
"ref_spans": [],
"eq_spans": [],
"section": "Aspects op\u00e9rationnels",
"sec_num": "3.5"
},
{
"text": "Le processus it\u00e9ratif propos\u00e9 dans cet article est \u00e9videmment co\u00fbteux (mais ais\u00e9ment parall\u00e9lisable). Dans les exp\u00e9riences rapport\u00e9es ci-apr\u00e8s, le nombre d'it\u00e9rations a \u00e9t\u00e9 fix\u00e9 \u00e0 1000. Les principales sources de co\u00fbt en terme de temps de calcul sont l'apprentissage du mod\u00e8le CRF et son application. Leur complexit\u00e9 est elle-m\u00eame d\u00e9pendante de nombreux param\u00e8tres, notamment la taille de l'\u00e9chantillon d'apprentissage, la vari\u00e9t\u00e9 des observations (x), le nombre de classes al\u00e9atoires (\u03c9), les attributs consid\u00e9r\u00e9s (les fonctions features f et g)... Pour minimiser l'impact de ce co\u00fbt, nous utilisons l'impl\u00e9mentation de CRF WAPITI qui optimise les algorithmes standard d'inf\u00e9rence (Lavergne et al., 2010) .",
"cite_spans": [
{
"start": 682,
"end": 705,
"text": "(Lavergne et al., 2010)",
"ref_id": "BIBREF13"
}
],
"ref_spans": [],
"eq_spans": [],
"section": "Aspects op\u00e9rationnels",
"sec_num": "3.5"
},
{
"text": "Pour cette premi\u00e8re exp\u00e9rience, nous reprenons la probl\u00e9matique et les donn\u00e9es de Ebadat et al. (2012) . Il s'agit de faire \u00e9merger les diff\u00e9rentes classes de noms propres au sein de r\u00e9sum\u00e9s de matchs de football. Plus pr\u00e9cis\u00e9ment, dans leurs exp\u00e9riences, les auteurs ont cherch\u00e9 \u00e0 classer les noms propres \u00e0 l'\u00e9chelle du corpus, c'est-\u00e0-dire en consid\u00e9rant que toutes les occurrences relevaient de la m\u00eame entit\u00e9 et donc de la m\u00eame cat\u00e9gorie. Dans ce jeu de donn\u00e9e, les entit\u00e9s ne sont donc pas consid\u00e9r\u00e9es comme possiblement polys\u00e9miques ; m\u00eame si ce point est discutable, il n'est pas remis en cause dans notre exp\u00e9rience pour lequel nous utilisons le jeu de donn\u00e9es tel qu'utilis\u00e9 par Ebadat et al. (2012) .",
"cite_spans": [
{
"start": 79,
"end": 102,
"text": "de Ebadat et al. (2012)",
"ref_id": null
},
{
"start": 689,
"end": 709,
"text": "Ebadat et al. (2012)",
"ref_id": "BIBREF2"
}
],
"ref_spans": [],
"eq_spans": [],
"section": "Validation exp\u00e9rimentale en classification de noms propres",
"sec_num": "4"
},
{
"text": "Le corpus est compos\u00e9 de rapports de matchs minute par minute en fran\u00e7ais, extraits de diff\u00e9rents sites Web. Les \u00e9v\u00e9nements importants de chaque minute ou presque d'un match y sont d\u00e9crits (cf. tableau 1) : remplacement de joueurs, fautes, buts... Ces donn\u00e9es ont \u00e9t\u00e9 annot\u00e9es manuellement par des experts selon des classes d\u00e9finies pour r\u00e9pondre \u00e0 des besoins applicatifs sp\u00e9cifiques (voir Fort et Claveau, 2012) . On poss\u00e8de donc une v\u00e9rit\u00e9 terrain associant \u00e0 chaque occurrence de chaque nom propre une classe (voir la figure 1a). On remarque sans surprise que ces classes sont tr\u00e8s d\u00e9s\u00e9quilibr\u00e9es, avec notamment une classe joueur tr\u00e8s peupl\u00e9e.",
"cite_spans": [
{
"start": 385,
"end": 413,
"text": "(voir Fort et Claveau, 2012)",
"ref_id": null
}
],
"ref_spans": [],
"eq_spans": [],
"section": "T\u00e2che et donn\u00e9es",
"sec_num": "4.1"
},
{
"text": "Notre t\u00e2che de d\u00e9couverte se ramenant \u00e0 une \u00e9tape finale de clustering, nous l'\u00e9valuons comme telle. Une telle \u00e9valuation est toujours d\u00e9licate : l'\u00e9valuation sur crit\u00e8res externes n\u00e9cessite de disposer d'un clustering de r\u00e9f\u00e9rence (v\u00e9rit\u00e9 terrain) dont la pertinence peut toujours \u00eatre discut\u00e9e, mais les crit\u00e8res internes (par exemple, une mesure de coh\u00e9sion des clusters) sont connus pour n'\u00eatre pas fiables (Manning et al., 2008) . Nous nous pla\u00e7ons donc dans le premier cadre et comparons le clustering obtenu par notre processus \u00e0 celui de la v\u00e9rit\u00e9 terrain.",
"cite_spans": [
{
"start": 411,
"end": 433,
"text": "(Manning et al., 2008)",
"ref_id": "BIBREF15"
}
],
"ref_spans": [],
"eq_spans": [],
"section": "Mesures de performance",
"sec_num": "4.2"
},
{
"text": "Pour ce faire, diff\u00e9rentes m\u00e9triques ont \u00e9t\u00e9 propos\u00e9es, comme la puret\u00e9 ou Rand Index (Rand, 1971) . Ces mesures sont cependant peu discriminantes et ont tendance \u00e0 \u00eatre trop optimistes quand la v\u00e9rit\u00e9 terrain contient des classes de tailles tr\u00e8s diff\u00e9rentes (Nguyen Xuan Vinh, 2010) . Nous pr\u00e9f\u00e9rons donc l'Adjusted Rand Index (ARI), qui est une version du Rand Index tenant compte des agr\u00e9ments de hasard, et qui est connue pour \u00eatre robuste. Son \u00e9tude et sa d\u00e9finition peuvent \u00eatre trouv\u00e9es dans (Hubert et Arabie, 1985) .",
"cite_spans": [
{
"start": 86,
"end": 98,
"text": "(Rand, 1971)",
"ref_id": "BIBREF20"
},
{
"start": 259,
"end": 283,
"text": "(Nguyen Xuan Vinh, 2010)",
"ref_id": "BIBREF18"
},
{
"start": 499,
"end": 523,
"text": "(Hubert et Arabie, 1985)",
"ref_id": "BIBREF9"
}
],
"ref_spans": [],
"eq_spans": [],
"section": "Mesures de performance",
"sec_num": "4.2"
},
{
"text": "Pour tester notre m\u00e9thode de clustering par CRF, nous avons \u00e9tiquet\u00e9 le corpus en partie du discours, utilis\u00e9 le sch\u00e9ma d'annotation BIO et consid\u00e9r\u00e9 la phrase comme s\u00e9quence. Dans cette application particuli\u00e8re, nous reprenons l'hypoth\u00e8se de (Collins et Singer, 1999; Elsner et al., 2009) : les entit\u00e9s \u00e0 cat\u00e9goriser sont connues et d\u00e9limit\u00e9es. En pratique, ce sont donc sur elles que les annotations al\u00e9atoires vont porter, les autres mots du corpus recevant toujours le m\u00eame label 'O'. Les fonctions f et g sont celles classiquement utilis\u00e9es en extraction d'information : les fonctions f lient le label courant y i aux observations (forme ou parties du discours du mot courant en x i , du mot en x i\u22121 , x i\u22122 , x i+1 , ou x i+2 , ou des combinaisons de ces attributs) ; les fonctions g lient deux labels successifs ( y i\u22121 , y i ). La t\u00e2che \u00e9tant de classifier les noms propres au niveau du corpus et non de l'occurrence, nous for\u00e7ons deux occurrence d'un m\u00eame nom \u00e0 avoir le m\u00eame label lors de la g\u00e9n\u00e9ration des labels al\u00e9atoires (\u00e9tape 4 de l'algorithme). En revanche, l'application du CRF produit une annotation au niveau de l'occurrence, la matrice co-et recense donc les classifications \u00e0 l'occurrence pr\u00e8s. L'\u00e9tape de transformation (\u00e9tape 14)",
"cite_spans": [
{
"start": 243,
"end": 268,
"text": "(Collins et Singer, 1999;",
"ref_id": "BIBREF0"
},
{
"start": 269,
"end": 289,
"text": "Elsner et al., 2009)",
"ref_id": "BIBREF3"
}
],
"ref_spans": [],
"eq_spans": [],
"section": "Impl\u00e9mentation et r\u00e9sultats",
"sec_num": "4.3"
},
{
"text": "permet de transformer cette matrice en une matrice de similarit\u00e9 sim des noms propres au niveau du corpus en sommant les lignes et colonnes des diff\u00e9rentes occurrences des m\u00eames noms.",
"cite_spans": [],
"ref_spans": [],
"eq_spans": [],
"section": "Impl\u00e9mentation et r\u00e9sultats",
"sec_num": "4.3"
},
{
"text": "(a)",
"cite_spans": [],
"ref_spans": [],
"eq_spans": [],
"section": "Impl\u00e9mentation et r\u00e9sultats",
"sec_num": "4.3"
},
{
"text": "FIGURE 1: (a) R\u00e9partition des donn\u00e9es football dans la v\u00e9rit\u00e9 terrain (nombre de noms propres uniques). (b) \u00c9valuation des clusterings par rapport \u00e0 la v\u00e9rit\u00e9 terrain (ARI %).",
"cite_spans": [],
"ref_spans": [],
"eq_spans": [],
"section": "Impl\u00e9mentation et r\u00e9sultats",
"sec_num": "4.3"
},
{
"text": "Les r\u00e9sultats de notre approche sont donn\u00e9s dans le tableau 1b en terme d'ARI (en pourcentage ; 0 signifie un clustering al\u00e9atoire et 100 un clustering identique \u00e0 la v\u00e9rit\u00e9 terrain). \u00c0 des fins de comparaison, nous reportons les r\u00e9sultats de Ebadat et al. (2012) ; ceux-ci ont \u00e9t\u00e9 obtenus en utilisant des descriptions vectorielles des contextes des entit\u00e9s soit sous forme d'un vecteur unique, soit sous forme de sacs de vecteurs, et des fonctions de similarit\u00e9s adapt\u00e9es \u00e0 ces repr\u00e9sentations. Le contexte donnant le meilleur r\u00e9sultat est de 4 mots \u00e0 gauche et \u00e0 droite de l'entit\u00e9. L'\u00e9tape de clustering est faite avec le m\u00eame algorithme MCL que pour notre syst\u00e8me. Ce dernier dispose d'un param\u00e8tre d'inflation qui influence indirectement le nombre de cluster produit. Pour une comparaison \u00e9quitable, les r\u00e9sultats rapport\u00e9s pour chaque m\u00e9thode sont ceux pour lesquels ce param\u00e8tre est optimal pour la mesure d'\u00e9valuation ARI. \u00c0 titre d'information, cela produit 12 clusters pour la similarit\u00e9 CRF, 11 pour la similarit\u00e9 sac-de-vecteurs n-grams.",
"cite_spans": [
{
"start": 240,
"end": 263,
"text": "de Ebadat et al. (2012)",
"ref_id": null
}
],
"ref_spans": [],
"eq_spans": [],
"section": "Impl\u00e9mentation et r\u00e9sultats",
"sec_num": "4.3"
},
{
"text": "Ces r\u00e9sultats soulignent l'int\u00e9r\u00eat de notre approche par rapport aux repr\u00e9sentations et similarit\u00e9s plus standard. Les quelques diff\u00e9rences constat\u00e9es entre les clusters form\u00e9s par notre approche et les classes de la v\u00e9rit\u00e9 terrain portent principalement sur la classe autre. Celle-ci contient des noms de personnalit\u00e9s apparaissant dans des contextes divers (personnalit\u00e9 donnant le coup d'envoi, apparaissant dans les tribunes...), avec trop peu de r\u00e9gularit\u00e9s pour que les CRF, pas plus que les autres m\u00e9thodes, arrivent \u00e0 faire \u00e9merger une similarit\u00e9. Il appara\u00eet \u00e9galement que certaines erreurs rapport\u00e9es par Ebadat et al. (2012) comme r\u00e9currentes ne sont pas commises par le clustering par CRF. Par exemple, les m\u00e9thodes vectorielles ont tendance \u00e0 confondre les noms de villes et les noms de joueurs, ceux-ci apparaissant souvent proches les uns des autres et partageant donc les m\u00eames contextes. Ces erreurs ne sont pas commises par l'approche par CRF, o\u00f9 la prise en compte de la s\u00e9quentialit\u00e9 pour l'\u00e9tiquetage permet de bien distinguer ces deux classes.",
"cite_spans": [
{
"start": 615,
"end": 635,
"text": "Ebadat et al. (2012)",
"ref_id": "BIBREF2"
}
],
"ref_spans": [],
"eq_spans": [],
"section": "Impl\u00e9mentation et r\u00e9sultats",
"sec_num": "4.3"
},
{
"text": "Pour cette t\u00e2che, nous utilisons les donn\u00e9es de la campagne d'\u00e9valuation ESTER2 (Gravier et al., 2005) . Elles sont compos\u00e9es de 150h d'\u00e9missions de radio datant d'entre 1999 et 2003, provenant de diverses sources (France Inter, Radio Classique, Africa 1...). Ces \u00e9missions, transcrites, ont \u00e9t\u00e9 annot\u00e9es en entit\u00e9s nomm\u00e9es selon 8 cat\u00e9gories : personnes, fonctions, lieux, organisations, temps, produits humains, quantit\u00e9, et une cat\u00e9gorie autres.",
"cite_spans": [
{
"start": 80,
"end": 102,
"text": "(Gravier et al., 2005)",
"ref_id": null
}
],
"ref_spans": [],
"eq_spans": [],
"section": "Validation exp\u00e9rimentale sur les entit\u00e9s nomm\u00e9es 5.1 T\u00e2che et donn\u00e9es",
"sec_num": "5"
},
{
"text": "Contrairement au jeu de donn\u00e9es pr\u00e9c\u00e9dent, les entit\u00e9s sont annot\u00e9es au niveau de l'occurrence et peuvent \u00eatre des noms propres, communs ou des expressions ; ainsi, l'entit\u00e9 peut \u00eatre annot\u00e9e comme un lieu ou une organisation selon le contexte. Nous n'utilisons pour nos exp\u00e9riences que la partie dev de ce jeu de donn\u00e9es ESTER2, transcrite manuellement, mais respectant les particularit\u00e9s d'un syst\u00e8me de reconnaissance de la parole : le texte n'a donc ni ponctuation, ni majuscule. Ses caract\u00e9ristiques sont donn\u00e9es dans la figure 2a ",
"cite_spans": [],
"ref_spans": [],
"eq_spans": [],
"section": "Validation exp\u00e9rimentale sur les entit\u00e9s nomm\u00e9es 5.1 T\u00e2che et donn\u00e9es",
"sec_num": "5"
},
{
"text": "Bien qu'il soit possible de se placer dans le m\u00eame cadre que pr\u00e9c\u00e9demment et supposer que les entit\u00e9s \u00e0 classifier sont connues et d\u00e9limit\u00e9es, nous utilisons un cadre interm\u00e9diaire plus r\u00e9aliste : nous supposons qu'une petite partie des donn\u00e9es est annot\u00e9e par un expert qui d\u00e9limite les entit\u00e9s int\u00e9ressantes (mais sans leur assigner de classe). Ces donn\u00e9es vont nous servir dans une premi\u00e8re \u00e9tape \u00e0 apprendre \u00e0 d\u00e9limiter les entit\u00e9s avant de les grouper. On se place donc dans un cadre supervis\u00e9 classique avec deux classes (entit\u00e9 int\u00e9ressante ou non), pour lequel nous utilisons les CRF de mani\u00e8re traditionnelle.",
"cite_spans": [],
"ref_spans": [],
"eq_spans": [],
"section": "Rep\u00e9rage des entit\u00e9s",
"sec_num": "5.2"
},
{
"text": "La figure 2b pr\u00e9sente les r\u00e9sultats obtenus, en fonction du nombre de s\u00e9quences (phrases) utilis\u00e9es pour l'apprentissage. Les performances sont \u00e9valu\u00e9es en terme de pr\u00e9cision, rappel et F-mesure. Il appara\u00eet qu'il est possible d'obtenir des r\u00e9sultats de bonne qualit\u00e9 en analysant (c'est-\u00e0-dire en d\u00e9limitant les entit\u00e9s nomm\u00e9es) relativement peu de phrases.",
"cite_spans": [],
"ref_spans": [],
"eq_spans": [],
"section": "Rep\u00e9rage des entit\u00e9s",
"sec_num": "5.2"
},
{
"text": "Nous reprenons le m\u00eame cadre exp\u00e9rimental que celui expliqu\u00e9 en section 4.3, \u00e0 la diff\u00e9rence que la classification se fait ici au niveau de l'occurrence. La transformation de co-et en sim consiste donc juste en une normalisation. Les entit\u00e9s consid\u00e9r\u00e9es sont celles rep\u00e9r\u00e9es par l'\u00e9tape pr\u00e9c\u00e9dente (avec 2 000 s\u00e9quences annot\u00e9es pour l'apprentissage) sur l'ensemble du corpus. Les r\u00e9sultats, mesur\u00e9s en terme d'ARI (%), sont pr\u00e9sent\u00e9s dans la figure 3. Comme pour l'exp\u00e9rience pr\u00e9c\u00e9dente, nous pr\u00e9sentons les r\u00e9sultats obtenus par des techniques de clustering sur ces m\u00eames donn\u00e9es utilisant des similarit\u00e9s plus classiques sur le contexte et les entit\u00e9s (\u00e0 l'exception de l'approche par sacs de vecteurs qui ne peut pas s'appliquer \u00e0 la classification au niveau de l'occurrence).",
"cite_spans": [],
"ref_spans": [],
"eq_spans": [],
"section": "\u00c9valuation du clustering",
"sec_num": "5.3"
},
{
"text": "FIGURE 3: \u00c9valuation des clusterings par rapport \u00e0 la v\u00e9rit\u00e9 terrain (ARI %) L'int\u00e9r\u00eat de notre approche appara\u00eet clairement. La prise en compte de la s\u00e9quentialit\u00e9 est un \u00e9l\u00e9ment important ; les r\u00e9sultats avec les n-grammes sont en effet meilleurs que des mots isol\u00e9s, et ceux des CRF, qui prennent plus naturellement en compte cet aspect s\u00e9quentiel, sont encore meilleurs. Les clusters obtenus par notre approche ne sont cependant pas exactement identiques \u00e0 ceux de la v\u00e9rit\u00e9 terrain.",
"cite_spans": [],
"ref_spans": [],
"eq_spans": [],
"section": "\u00c9valuation du clustering",
"sec_num": "5.3"
},
{
"text": "Une analyse d\u00e9taill\u00e9e montre en effet qu'un cluster en particulier fait chuter les r\u00e9sultats en groupant des entit\u00e9s appartenant \u00e0 deux classes distinctes de la v\u00e9rit\u00e9 terrain. Ces classes qui semblent difficiles \u00e0 distinguer sont celles du temps et des quantit\u00e9s. En effet, en l'absence d'informations autres que la forme des mots et les parties-du-discours, il semble impossible de distinguer des entit\u00e9s telles que ' ' et ' '.",
"cite_spans": [],
"ref_spans": [],
"eq_spans": [],
"section": "\u00c9valuation du clustering",
"sec_num": "5.3"
},
{
"text": "La r\u00e9solution de probl\u00e8mes d'apprentissage factices par les CRF permet de faire \u00e9merger des similarit\u00e9s au sein des s\u00e9quences. Cette similarit\u00e9 tire ainsi parti de la richesse de description que permet les CRF (typiquement les parties-du-discours), ainsi que de la prise en compte naturelle de la s\u00e9quentialit\u00e9. On d\u00e9finit ainsi une similarit\u00e9 dans un espace non-m\u00e9trique se voulant robuste gr\u00e2ce aux choix al\u00e9atoires r\u00e9p\u00e9t\u00e9s dans le processus. Bien s\u00fbr, ce principe est transposable \u00e0 d'autres m\u00e9thodes d'apprentissage, notamment les m\u00e9thodes s\u00e9quentielles stochastiques (HMM, MaxEnt...) ; l'utilisation des CRF, plus performants en g\u00e9n\u00e9ral, est cependant plus naturelle.",
"cite_spans": [],
"ref_spans": [],
"eq_spans": [],
"section": "Discussion, conclusion et perspectives",
"sec_num": "6"
},
{
"text": "Les \u00e9valuations men\u00e9es sur deux t\u00e2ches d'extraction d'informations mettent en valeur l'int\u00e9r\u00eat de l'approche, m\u00eame si nous sommes bien conscients de la limite de l'\u00e9valuation d'une t\u00e2che de d\u00e9couverte qui oblige \u00e0 la constitution d'une v\u00e9rit\u00e9 terrain que l'on souhaite justement \u00e9viter. Enfin, il convient de pr\u00e9ciser qu'il n'y a pas d'apprentissage sans biais, m\u00eame pour l'apprentissage non supervis\u00e9 (Mitchell, 1990) . Ces biais repr\u00e9sentent la connaissance de l'utilisateur et permettent de d\u00e9finir son probl\u00e8me. L'apport de connaissances sur les entit\u00e9s int\u00e9ressantes, la description des s\u00e9quences et des fonctions features sont autant d'informations permettant \u00e0 l'utilisateur de canaliser la t\u00e2che de d\u00e9couverte sur son objet d'\u00e9tude.",
"cite_spans": [
{
"start": 402,
"end": 418,
"text": "(Mitchell, 1990)",
"ref_id": "BIBREF17"
}
],
"ref_spans": [],
"eq_spans": [],
"section": "Discussion, conclusion et perspectives",
"sec_num": "6"
},
{
"text": "Plusieurs am\u00e9liorations et perspectives sont envisageables \u00e0 la suite de ce travail. D'un point de vue technique, l'\u00e9tape de transformation des co-\u00e9tiquetages en similarit\u00e9s, qui se contente dans nos exp\u00e9riences d'une simple normalisation, pourrait \u00eatre approfondie. Il doit ainsi \u00eatre possible d'utiliser d'autres fonctions (par exemple celles utilis\u00e9es pour rep\u00e9rer des associations, expressions multi-mots, ou termes complexes complexes : information mutuelle, Jaccard, logvraisemblance, \u03c7 2 ...) pour obtenir des similarit\u00e9s encore plus fiables. Cela permettrait de pallier la faible robustesse de notre algorithme de clustering qui peut fusionner deux clusters sur le simple fait de quelques entit\u00e9s fortement connect\u00e9es avec beaucoup d'autres noeuds. Des variantes sur l'\u00e9tape de clustering peuvent aussi \u00eatre envisag\u00e9es. Il est par exemple possible d'utiliser des algorithmes de clustering hi\u00e9rarchique. Il est aussi possible d'utiliser directement les similarit\u00e9s pour d'autres t\u00e2ches, comme la recherche d'informations, le lissage pour des mod\u00e8les de langues... D'un point de vue pratique, il serait int\u00e9ressant d'obtenir une d\u00e9finition explicite de la similarit\u00e9 en r\u00e9cup\u00e9rant les \u03bb i et \u00b5 i avec les fonctions f et g associ\u00e9es. Cela permettrait d'appliquer la fonction de similarit\u00e9 \u00e0 de nouveaux textes sans refaire les co\u00fbteuses \u00e9tapes d'apprentissage, mais cela n\u00e9cessite d'\u00eatre capable de combiner les diff\u00e9rentes fonctions de d\u00e9codage utilis\u00e9es pour l'application des diff\u00e9rents mod\u00e8les.",
"cite_spans": [],
"ref_spans": [],
"eq_spans": [],
"section": "Discussion, conclusion et perspectives",
"sec_num": "6"
},
{
"text": "c ATALA",
"cite_spans": [],
"ref_spans": [],
"eq_spans": [],
"section": "",
"sec_num": null
}
],
"back_matter": [],
"bib_entries": {
"BIBREF0": {
"ref_id": "b0",
"title": "Unsupervised models for named entity classification",
"authors": [
{
"first": "M",
"middle": [],
"last": "Collins",
"suffix": ""
},
{
"first": "Y",
"middle": [],
"last": "Singer",
"suffix": ""
}
],
"year": 1999,
"venue": "Proceedings of Empirical Methods for Natural Language Processing",
"volume": "",
"issue": "",
"pages": "",
"other_ids": {},
"num": null,
"urls": [],
"raw_text": "COLLINS, M. et SINGER, Y. (1999). Unsupervised models for named entity classification. In Proceedings of Empirical Methods for Natural Language Processing (EMNLP) conference.",
"links": null
},
"BIBREF1": {
"ref_id": "b1",
"title": "Int\u00e9grer des connaissances liguistiques dans un CRF : Application \u00e0 l'apprentissage d'un segmenteur\u00e9tiqueteur du fran\u00e7ais",
"authors": [
{
"first": "M",
"middle": [],
"last": "Constant",
"suffix": ""
},
{
"first": "I",
"middle": [],
"last": "Tellier",
"suffix": ""
},
{
"first": "D",
"middle": [],
"last": "Duchier",
"suffix": ""
},
{
"first": "Y",
"middle": [],
"last": "Dupont",
"suffix": ""
},
{
"first": "A",
"middle": [],
"last": "Sigogne",
"suffix": ""
},
{
"first": "S",
"middle": [],
"last": "Billot",
"suffix": ""
}
],
"year": 2011,
"venue": "Actes de Traitement Automatique du Langage Naturel, TALN'11",
"volume": "",
"issue": "",
"pages": "",
"other_ids": {},
"num": null,
"urls": [],
"raw_text": "CONSTANT, M., TELLIER, I., DUCHIER, D., DUPONT, Y., SIGOGNE, A. et BILLOT, S. (2011). Int\u00e9grer des connaissances liguistiques dans un CRF : Application \u00e0 l'apprentissage d'un segmenteur- \u00e9tiqueteur du fran\u00e7ais. In Actes de Traitement Automatique du Langage Naturel, TALN'11, Montpellier, France.",
"links": null
},
"BIBREF2": {
"ref_id": "b2",
"title": "Semantic clustering using bag-of-bag-offeatures",
"authors": [
{
"first": "A",
"middle": [
"R"
],
"last": "Ebadat",
"suffix": ""
},
{
"first": "V",
"middle": [],
"last": "Claveau",
"suffix": ""
},
{
"first": "P",
"middle": [],
"last": "S\u00e9billot",
"suffix": ""
}
],
"year": 2012,
"venue": "Actes de le 9e conf\u00e9rence en recherche d'information et applications, CORIA 2012",
"volume": "",
"issue": "",
"pages": "",
"other_ids": {},
"num": null,
"urls": [],
"raw_text": "EBADAT, A. R., CLAVEAU, V. et S\u00c9BILLOT, P. (2012). Semantic clustering using bag-of-bag-of- features. In Actes de le 9e conf\u00e9rence en recherche d'information et applications, CORIA 2012, Bordeaux, France.",
"links": null
},
"BIBREF3": {
"ref_id": "b3",
"title": "Structured generative models for unsupervised named-entity clustering",
"authors": [
{
"first": "M",
"middle": [],
"last": "Elsner",
"suffix": ""
},
{
"first": "E",
"middle": [],
"last": "Charniak",
"suffix": ""
},
{
"first": "M",
"middle": [],
"last": "Johnson",
"suffix": ""
}
],
"year": 2009,
"venue": "Proceedings of the Conference on Human Language Technology and North American chapter of the Association for Computational Linguistics",
"volume": "",
"issue": "",
"pages": "",
"other_ids": {},
"num": null,
"urls": [],
"raw_text": "ELSNER, M., CHARNIAK, E. et JOHNSON, M. (2009). Structured generative models for unsupervised named-entity clustering. In Proceedings of the Conference on Human Language Technology and North American chapter of the Association for Computational Linguistics (HLT-NAACL 2009), Boulder, Colorado.",
"links": null
},
"BIBREF4": {
"ref_id": "b4",
"title": "Annotating football matches : influence of the source medium on manual annotation",
"authors": [
{
"first": "K",
"middle": [],
"last": "Fort",
"suffix": ""
},
{
"first": "V",
"middle": [],
"last": "Claveau",
"suffix": ""
}
],
"year": 2012,
"venue": "Proceedings of the 8th International Conference on Language Resources and Evaluation (LREC'12)",
"volume": "",
"issue": "",
"pages": "",
"other_ids": {},
"num": null,
"urls": [],
"raw_text": "FORT, K. et CLAVEAU, V. (2012). Annotating football matches : influence of the source medium on manual annotation. In Proceedings of the 8th International Conference on Language Resources and Evaluation (LREC'12), Istanbul, Turquie.",
"links": null
},
"BIBREF5": {
"ref_id": "b5",
"title": "A fully bayesian approach to unsupervised part-ofspeech tagging",
"authors": [
{
"first": "S",
"middle": [],
"last": "Goldwater",
"suffix": ""
},
{
"first": "T",
"middle": [
"L"
],
"last": "Griffiths",
"suffix": ""
}
],
"year": 2007,
"venue": "Proceedings of the ACL",
"volume": "",
"issue": "",
"pages": "",
"other_ids": {},
"num": null,
"urls": [],
"raw_text": "GOLDWATER, S. et GRIFFITHS, T. L. (2007). A fully bayesian approach to unsupervised part-of- speech tagging. In Proceedings of the ACL.",
"links": null
},
"BIBREF7": {
"ref_id": "b7",
"title": "\u00e9valuation des syst\u00e8mes d'indexation automatique",
"authors": [
{
"first": "",
"middle": [],
"last": "Ester",
"suffix": ""
}
],
"year": null,
"venue": "Actes des Journ\u00e9es d'\u00c9tude sur la Parole",
"volume": "",
"issue": "",
"pages": "",
"other_ids": {},
"num": null,
"urls": [],
"raw_text": "ESTER, une campagne d'\u00e9valuation des syst\u00e8mes d'indexation automatique. In Actes des Journ\u00e9es d'\u00c9tude sur la Parole, JEP, Atelier ESTER2.",
"links": null
},
"BIBREF8": {
"ref_id": "b8",
"title": "The Elements of Statistical Learning : Data Mining, Inference, and Prediction",
"authors": [
{
"first": "T",
"middle": [],
"last": "Hastie",
"suffix": ""
},
{
"first": "R",
"middle": [],
"last": "Tibshirani",
"suffix": ""
},
{
"first": "J",
"middle": [
"H"
],
"last": "Friedman",
"suffix": ""
}
],
"year": 2001,
"venue": "",
"volume": "",
"issue": "",
"pages": "",
"other_ids": {},
"num": null,
"urls": [],
"raw_text": "HASTIE, T., TIBSHIRANI, R. et FRIEDMAN, J. H. (2001). The Elements of Statistical Learning : Data Mining, Inference, and Prediction. New York : Springer.",
"links": null
},
"BIBREF9": {
"ref_id": "b9",
"title": "Comparing partitions",
"authors": [
{
"first": "L",
"middle": [],
"last": "Hubert",
"suffix": ""
},
{
"first": "P",
"middle": [],
"last": "Arabie",
"suffix": ""
}
],
"year": 1985,
"venue": "Journal of Classification",
"volume": "2",
"issue": "1",
"pages": "193--218",
"other_ids": {},
"num": null,
"urls": [],
"raw_text": "HUBERT, L. et ARABIE, P. (1985). Comparing partitions. Journal of Classification, 2(1):193-218.",
"links": null
},
"BIBREF10": {
"ref_id": "b10",
"title": "Exploiting wikipedia as external knowledge for named entity recognition",
"authors": [
{
"first": "J",
"middle": [],
"last": "Kazama",
"suffix": ""
},
{
"first": "K",
"middle": [],
"last": "Torisawa",
"suffix": ""
}
],
"year": 2007,
"venue": "Proceedings of the 2007 Joint Conference on Empirical Methods in Natural Language Processing and Computational Natural Language Learning",
"volume": "",
"issue": "",
"pages": "698--707",
"other_ids": {},
"num": null,
"urls": [],
"raw_text": "KAZAMA, J. et TORISAWA, K. (2007). Exploiting wikipedia as external knowledge for named entity recognition. In Proceedings of the 2007 Joint Conference on Empirical Methods in Natural Language Processing and Computational Natural Language Learning, pages 698-707, Prague. Association for Computational Linguistics.",
"links": null
},
"BIBREF11": {
"ref_id": "b11",
"title": "Bootstrapping named entity recognition with automatically generated gazetteer lists",
"authors": [
{
"first": "Z",
"middle": [],
"last": "Kozareva",
"suffix": ""
}
],
"year": 2006,
"venue": "Proceedings of the Eleventh Conference of the European Chapter of the Association for Computational Linguistics : Student Research Workshop",
"volume": "",
"issue": "",
"pages": "15--21",
"other_ids": {},
"num": null,
"urls": [],
"raw_text": "KOZAREVA, Z. (2006). Bootstrapping named entity recognition with automatically generated gazetteer lists. In Proceedings of the Eleventh Conference of the European Chapter of the Association for Computational Linguistics : Student Research Workshop, pages 15-21, Trento, Italy.",
"links": null
},
"BIBREF12": {
"ref_id": "b12",
"title": "Conditional random fields : Probabilistic models for segmenting and labeling sequence data",
"authors": [
{
"first": "J",
"middle": [],
"last": "Lafferty",
"suffix": ""
},
{
"first": "A",
"middle": [],
"last": "Mccallum",
"suffix": ""
},
{
"first": "F",
"middle": [],
"last": "Pereira",
"suffix": ""
}
],
"year": 2001,
"venue": "International Conference on Machine Learning (ICML)",
"volume": "",
"issue": "",
"pages": "",
"other_ids": {},
"num": null,
"urls": [],
"raw_text": "LAFFERTY, J., MCCALLUM, A. et PEREIRA, F. (2001). Conditional random fields : Probabilistic models for segmenting and labeling sequence data. In International Conference on Machine Learning (ICML).",
"links": null
},
"BIBREF13": {
"ref_id": "b13",
"title": "Practical very large scale CRFs",
"authors": [
{
"first": "T",
"middle": [],
"last": "Lavergne",
"suffix": ""
},
{
"first": "O",
"middle": [],
"last": "Capp\u00e9",
"suffix": ""
},
{
"first": "F",
"middle": [],
"last": "Yvon",
"suffix": ""
}
],
"year": 2010,
"venue": "Proceedings the 48th Annual Meeting of the Association for Computational Linguistics (ACL)",
"volume": "",
"issue": "",
"pages": "504--513",
"other_ids": {},
"num": null,
"urls": [],
"raw_text": "LAVERGNE, T., CAPP\u00c9, O. et YVON, F. (2010). Practical very large scale CRFs. In Proceedings the 48th Annual Meeting of the Association for Computational Linguistics (ACL), pages 504-513. Association for Computational Linguistics.",
"links": null
},
"BIBREF14": {
"ref_id": "b14",
"title": "Clustering through decision tree construction",
"authors": [
{
"first": "B",
"middle": [],
"last": "Liu",
"suffix": ""
},
{
"first": "Y",
"middle": [],
"last": "Xia",
"suffix": ""
},
{
"first": "P",
"middle": [
"S"
],
"last": "Yu",
"suffix": ""
}
],
"year": 2000,
"venue": "Proceedings of the ninth international conference on Information and knowledge management, CIKM '00",
"volume": "",
"issue": "",
"pages": "20--29",
"other_ids": {},
"num": null,
"urls": [],
"raw_text": "LIU, B., XIA, Y. et YU, P. S. (2000). Clustering through decision tree construction. In Proceedings of the ninth international conference on Information and knowledge management, CIKM '00, pages 20-29, New York, NY, USA. ACM.",
"links": null
},
"BIBREF15": {
"ref_id": "b15",
"title": "Introduction to information retrieval",
"authors": [
{
"first": "C",
"middle": [],
"last": "Manning",
"suffix": ""
},
{
"first": "P",
"middle": [],
"last": "Raghavan",
"suffix": ""
},
{
"first": "H",
"middle": [],
"last": "Sch\u00fctze",
"suffix": ""
}
],
"year": 2008,
"venue": "",
"volume": "",
"issue": "",
"pages": "",
"other_ids": {},
"num": null,
"urls": [],
"raw_text": "MANNING, C., RAGHAVAN, P. et SCH\u00dcTZE, H. (2008). Introduction to information retrieval. Cam- bridge University Press.",
"links": null
},
"BIBREF16": {
"ref_id": "b16",
"title": "Tagging english text with a probabilistic model",
"authors": [
{
"first": "B",
"middle": [],
"last": "Merialdo",
"suffix": ""
}
],
"year": 1994,
"venue": "Computational Linguistics",
"volume": "20",
"issue": "",
"pages": "155--171",
"other_ids": {},
"num": null,
"urls": [],
"raw_text": "MERIALDO, B. (1994). Tagging english text with a probabilistic model. Computational Linguistics, 20:155-171.",
"links": null
},
"BIBREF17": {
"ref_id": "b17",
"title": "The need for biases in learning generalizations",
"authors": [
{
"first": "T",
"middle": [
"M"
],
"last": "Mitchell",
"suffix": ""
}
],
"year": 1980,
"venue": "",
"volume": "",
"issue": "",
"pages": "",
"other_ids": {},
"num": null,
"urls": [],
"raw_text": "MITCHELL, T. M. (1990). The need for biases in learning generalizations. Rutgers Computer Science Department Technical Report CBM-TR-117, May, 1980. Reprinted in Readings in Machine Learning.",
"links": null
},
"BIBREF18": {
"ref_id": "b18",
"title": "Information theoretic measures for clusterings comparison",
"authors": [
{
"first": "Xuan",
"middle": [],
"last": "Nguyen",
"suffix": ""
},
{
"first": "Julien",
"middle": [],
"last": "Vinh",
"suffix": ""
},
{
"first": "J",
"middle": [
"B"
],
"last": "Epps",
"suffix": ""
}
],
"year": 2010,
"venue": "Journal of Machine Learning Research",
"volume": "",
"issue": "",
"pages": "",
"other_ids": {},
"num": null,
"urls": [],
"raw_text": "NGUYEN XUAN VINH, Julien Epps, J. B. (2010). Information theoretic measures for clusterings comparison. Journal of Machine Learning Research.",
"links": null
},
"BIBREF19": {
"ref_id": "b19",
"title": "Part of speech tagging and chunking with HMM and CRF",
"authors": [
{
"first": "A",
"middle": [],
"last": "Pranjal",
"suffix": ""
},
{
"first": "R",
"middle": [],
"last": "Delip",
"suffix": ""
},
{
"first": "R",
"middle": [],
"last": "Balaraman",
"suffix": ""
}
],
"year": 2006,
"venue": "Proceedings of NLP Association of India (NLPAI) Machine Learning Contest",
"volume": "",
"issue": "",
"pages": "",
"other_ids": {},
"num": null,
"urls": [],
"raw_text": "PRANJAL, A., DELIP, R. et BALARAMAN, R. (2006). Part of speech tagging and chunking with HMM and CRF. In Proceedings of NLP Association of India (NLPAI) Machine Learning Contest.",
"links": null
},
"BIBREF20": {
"ref_id": "b20",
"title": "Objective criteria for the evaluation of clustering methods",
"authors": [
{
"first": "W",
"middle": [
"M"
],
"last": "Rand",
"suffix": ""
}
],
"year": 1971,
"venue": "Journal of the American Statistical Association",
"volume": "66",
"issue": "336",
"pages": "846--850",
"other_ids": {},
"num": null,
"urls": [],
"raw_text": "RAND, W. M. (1971). Objective criteria for the evaluation of clustering methods. Journal of the American Statistical Association, 66(336):pp. 846-850.",
"links": null
},
"BIBREF21": {
"ref_id": "b21",
"title": "Minimized models for unsupervised part-of-speech tagging",
"authors": [
{
"first": "S",
"middle": [],
"last": "Ravi",
"suffix": ""
},
{
"first": "K",
"middle": [],
"last": "Knight",
"suffix": ""
}
],
"year": 2009,
"venue": "Proceedings of ACL-IJCNLP 2009",
"volume": "",
"issue": "",
"pages": "504--512",
"other_ids": {},
"num": null,
"urls": [],
"raw_text": "RAVI, S. et KNIGHT, K. (2009). Minimized models for unsupervised part-of-speech tagging. In Proceedings of ACL-IJCNLP 2009, pages 504-512.",
"links": null
},
"BIBREF22": {
"ref_id": "b22",
"title": "Reconnaissance robuste d'entit\u00e9s nomm\u00e9es sur de la parole transcrite automatiquement",
"authors": [
{
"first": "C",
"middle": [],
"last": "Raymond",
"suffix": ""
},
{
"first": "J",
"middle": [],
"last": "Fayolle",
"suffix": ""
}
],
"year": 2010,
"venue": "Actes de Traitement Automatique des Langues Naturelles, TALN'10",
"volume": "",
"issue": "",
"pages": "",
"other_ids": {},
"num": null,
"urls": [],
"raw_text": "RAYMOND, C. et FAYOLLE, J. (2010). Reconnaissance robuste d'entit\u00e9s nomm\u00e9es sur de la parole transcrite automatiquement. In Actes de Traitement Automatique des Langues Naturelles, TALN'10, Montr\u00e9al, Canada.",
"links": null
},
"BIBREF23": {
"ref_id": "b23",
"title": "Semi-supervised part-of-speech tagging in speech applications",
"authors": [
{
"first": "D",
"middle": [],
"last": "Richard",
"suffix": ""
},
{
"first": "F",
"middle": [],
"last": "Benoit",
"suffix": ""
}
],
"year": 2010,
"venue": "Interspeech",
"volume": "",
"issue": "",
"pages": "",
"other_ids": {},
"num": null,
"urls": [],
"raw_text": "RICHARD, D. et BENOIT, F. (2010). Semi-supervised part-of-speech tagging in speech applications. In Interspeech 2010, Makuhari (Japan).",
"links": null
},
"BIBREF24": {
"ref_id": "b24",
"title": "A stochastic quasi-Newton method for online convex optimization",
"authors": [
{
"first": "N",
"middle": [
"N"
],
"last": "Schraudolph",
"suffix": ""
},
{
"first": "J",
"middle": [],
"last": "Yu",
"suffix": ""
},
{
"first": "S",
"middle": [],
"last": "G\u00fcnter",
"suffix": ""
}
],
"year": 2007,
"venue": "Proceedings of 11th International Conference on Artificial Intelligence and Statistics",
"volume": "2",
"issue": "",
"pages": "436--443",
"other_ids": {},
"num": null,
"urls": [],
"raw_text": "SCHRAUDOLPH, N. N., YU, J. et G\u00dcNTER, S. (2007). A stochastic quasi-Newton method for online convex optimization. In Proceedings of 11th International Conference on Artificial Intelligence and Statistics, volume 2 de Workshop and Conference Proceedings, pages 436-443, San Juan, Puerto Rico.",
"links": null
},
"BIBREF25": {
"ref_id": "b25",
"title": "Unsupervised learning with random forest predictors",
"authors": [
{
"first": "T",
"middle": [],
"last": "Shi",
"suffix": ""
},
{
"first": "S",
"middle": [],
"last": "Horvath",
"suffix": ""
}
],
"year": 2005,
"venue": "Journal of Computational and Graphical Statistics",
"volume": "15",
"issue": "1",
"pages": "118--138",
"other_ids": {},
"num": null,
"urls": [],
"raw_text": "SHI, T. et HORVATH, S. (2005). Unsupervised learning with random forest predictors. Journal of Computational and Graphical Statistics, 15(1):118-138.",
"links": null
},
"BIBREF26": {
"ref_id": "b26",
"title": "Contrastive estimation : Training log-linear models on unlabeled data",
"authors": [
{
"first": "N",
"middle": [],
"last": "Smith",
"suffix": ""
},
{
"first": "J",
"middle": [],
"last": "Eisner",
"suffix": ""
}
],
"year": 2005,
"venue": "Proceedings of ACL",
"volume": "",
"issue": "",
"pages": "",
"other_ids": {},
"num": null,
"urls": [],
"raw_text": "SMITH, N. et EISNER, J. (2005). Contrastive estimation : Training log-linear models on unlabeled data. In Proceedings of ACL.",
"links": null
},
"BIBREF27": {
"ref_id": "b27",
"title": "Graph Clustering by Flow Simulation",
"authors": [
{
"first": "S",
"middle": [],
"last": "Van Dongen",
"suffix": ""
}
],
"year": 2000,
"venue": "",
"volume": "",
"issue": "",
"pages": "",
"other_ids": {},
"num": null,
"urls": [],
"raw_text": "van DONGEN, S. (2000). Graph Clustering by Flow Simulation. Th\u00e8se de doctorat, Universit\u00e9 d'Utrecht.",
"links": null
},
"BIBREF28": {
"ref_id": "b28",
"title": "Semantic event detection using conditional random fields",
"authors": [
{
"first": "T",
"middle": [],
"last": "Wang",
"suffix": ""
},
{
"first": "J",
"middle": [],
"last": "Li",
"suffix": ""
},
{
"first": "Q",
"middle": [],
"last": "Diao",
"suffix": ""
},
{
"first": "Y",
"middle": [
"Z"
],
"last": "Wei Hu",
"suffix": ""
},
{
"first": "C",
"middle": [],
"last": "Dulong",
"suffix": ""
}
],
"year": 2006,
"venue": "IEEE Conference on Computer Vision and Pattern Recognition Workshop (CVPRW '06)",
"volume": "",
"issue": "",
"pages": "",
"other_ids": {},
"num": null,
"urls": [],
"raw_text": "WANG, T., LI, J., DIAO, Q., WEI HU, Y. Z. et DULONG, C. (2006). Semantic event detection using conditional random fields. In IEEE Conference on Computer Vision and Pattern Recognition Workshop (CVPRW '06).",
"links": null
},
"BIBREF29": {
"ref_id": "b29",
"title": "Filtering and clustering relations for unsupervised information extraction in open domain",
"authors": [
{
"first": "W",
"middle": [],
"last": "Wang",
"suffix": ""
},
{
"first": "R",
"middle": [],
"last": "Besan\u00e7on",
"suffix": ""
},
{
"first": "O",
"middle": [],
"last": "Ferret",
"suffix": ""
},
{
"first": "B",
"middle": [],
"last": "Grau",
"suffix": ""
}
],
"year": 2011,
"venue": "Proceedings of the 20th ACM international Conference on Information and Knowledge Management (CIKM)",
"volume": "",
"issue": "",
"pages": "1405--1414",
"other_ids": {},
"num": null,
"urls": [],
"raw_text": "WANG, W., BESAN\u00c7ON, R., FERRET, O. et GRAU, B. (2011). Filtering and clustering relations for unsupervised information extraction in open domain. In Proceedings of the 20th ACM international Conference on Information and Knowledge Management (CIKM), pages 1405-1414, Glasgow, Scotland, UK.",
"links": null
},
"BIBREF30": {
"ref_id": "b30",
"title": "Evaluation of unsupervised information extraction",
"authors": [
{
"first": "W",
"middle": [],
"last": "Wang",
"suffix": ""
},
{
"first": "R",
"middle": [],
"last": "Besan\u00e7on",
"suffix": ""
},
{
"first": "O",
"middle": [],
"last": "Ferret",
"suffix": ""
},
{
"first": "B",
"middle": [],
"last": "Grau",
"suffix": ""
}
],
"year": 2012,
"venue": "Proceedings of the 8th International Conference on Language Resources and Evaluation (LREC'12)",
"volume": "",
"issue": "",
"pages": "",
"other_ids": {},
"num": null,
"urls": [],
"raw_text": "WANG, W., BESAN\u00c7ON, R., FERRET, O. et GRAU, B. (2012). Evaluation of unsupervised informa- tion extraction. In Proceedings of the 8th International Conference on Language Resources and Evaluation (LREC'12), Istanbul, Turquie.",
"links": null
},
"BIBREF31": {
"ref_id": "b31",
"title": "A simple semi-supervised algorithm for named entity recognition",
"authors": [
{
"first": "",
"middle": [],
"last": "Wenhui",
"suffix": ""
},
{
"first": "S",
"middle": [
"V"
],
"last": "Liao",
"suffix": ""
}
],
"year": 2009,
"venue": "",
"volume": "",
"issue": "",
"pages": "",
"other_ids": {},
"num": null,
"urls": [],
"raw_text": "WENHUI LIAO, S. V. (2009). A simple semi-supervised algorithm for named entity recognition.",
"links": null
},
"BIBREF32": {
"ref_id": "b32",
"title": "Proceedings of the NAACL HLT Workshop on Semi-supervised Learning for Natural Language Processing",
"authors": [],
"year": null,
"venue": "",
"volume": "",
"issue": "",
"pages": "58--65",
"other_ids": {},
"num": null,
"urls": [],
"raw_text": "In Proceedings of the NAACL HLT Workshop on Semi-supervised Learning for Natural Language Processing, pages 58-65, Boulder, Colorado, USA. Association for Computational Linguistics.",
"links": null
}
},
"ref_entries": {
"FIGREF1": {
"type_str": "figure",
"text": "(a) R\u00e9partition des donn\u00e9es ESTER2 dans la v\u00e9rit\u00e9 terrain (nombre d'occurrences). (b) Performances de la d\u00e9tection des entit\u00e9s selon le nombre de s\u00e9quences annot\u00e9es.",
"uris": null,
"num": null
},
"TABREF0": {
"content": "<table/>",
"html": null,
"text": "Tirer al\u00e9atoirement les labels y i parmi \u03c9 1 ...\u03c9 L pour les s\u00e9quences de train 5:",
"type_str": "table",
"num": null
},
"TABREF2": {
"content": "<table/>",
"html": null,
"text": "Extrait d'un rapport minute-by-minute d'un match de football",
"type_str": "table",
"num": null
}
}
}
} |