File size: 97,265 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 | {
"paper_id": "F13-1031",
"header": {
"generated_with": "S2ORC 1.0.0",
"date_generated": "2023-01-19T09:40:39.085101Z"
},
"title": "Fouille de r\u00e8gles d'annotation partielles pour la reconnaissance des entit\u00e9s nomm\u00e9es",
"authors": [
{
"first": "Damien",
"middle": [],
"last": "Nouvel",
"suffix": "",
"affiliation": {},
"email": ""
},
{
"first": "Jean-Yves",
"middle": [],
"last": "Antoine",
"suffix": "",
"affiliation": {},
"email": ""
},
{
"first": "Nathalie",
"middle": [],
"last": "Friburger",
"suffix": "",
"affiliation": {},
"email": ""
},
{
"first": "Arnaud",
"middle": [],
"last": "Soulet",
"suffix": "",
"affiliation": {},
"email": ""
}
],
"year": "",
"venue": null,
"identifiers": {},
"abstract": "Ces derni\u00e8res d\u00e9cennies, l'accroissement des volumes de donn\u00e9es a rendu disponible une diversit\u00e9 toujours plus importante de types de contenus \u00e9chang\u00e9s (texte, image, audio, vid\u00e9o, SMS, tweet, donn\u00e9es statistiques, spatiales, etc.). En cons\u00e9quence, de nouvelles probl\u00e9matiques ont vu le jour, dont la recherche d'information au sein de donn\u00e9es potentiellement bruit\u00e9es. Dans cet article, nous nous penchons sur la reconnaissance d'entit\u00e9s nomm\u00e9es au sein de transcriptions (manuelles ou automatiques) d'\u00e9missions radiodiffus\u00e9es et t\u00e9l\u00e9visuelles. \u00c0 cet effet, nous mettons en oeuvre une approche originale par fouille de donn\u00e9es afin d'extraire des motifs, que nous nommons r\u00e8gles d'annotation. Au sein d'un mod\u00e8le, ces r\u00e8gles r\u00e9alisent l'annotation automatique de transcriptions. Dans le cadre de la campagne d'\u00e9valuation Etape, nous mettons \u00e0 l'\u00e9preuve le syst\u00e8me impl\u00e9ment\u00e9, mXS, \u00e9tudions les r\u00e8gles extraites et rapportons les performances du syst\u00e8me. Il obtient de bonnes performances, en particulier lorsque les transcriptions sont bruit\u00e9es.",
"pdf_parse": {
"paper_id": "F13-1031",
"_pdf_hash": "",
"abstract": [
{
"text": "Ces derni\u00e8res d\u00e9cennies, l'accroissement des volumes de donn\u00e9es a rendu disponible une diversit\u00e9 toujours plus importante de types de contenus \u00e9chang\u00e9s (texte, image, audio, vid\u00e9o, SMS, tweet, donn\u00e9es statistiques, spatiales, etc.). En cons\u00e9quence, de nouvelles probl\u00e9matiques ont vu le jour, dont la recherche d'information au sein de donn\u00e9es potentiellement bruit\u00e9es. Dans cet article, nous nous penchons sur la reconnaissance d'entit\u00e9s nomm\u00e9es au sein de transcriptions (manuelles ou automatiques) d'\u00e9missions radiodiffus\u00e9es et t\u00e9l\u00e9visuelles. \u00c0 cet effet, nous mettons en oeuvre une approche originale par fouille de donn\u00e9es afin d'extraire des motifs, que nous nommons r\u00e8gles d'annotation. Au sein d'un mod\u00e8le, ces r\u00e8gles r\u00e9alisent l'annotation automatique de transcriptions. Dans le cadre de la campagne d'\u00e9valuation Etape, nous mettons \u00e0 l'\u00e9preuve le syst\u00e8me impl\u00e9ment\u00e9, mXS, \u00e9tudions les r\u00e8gles extraites et rapportons les performances du syst\u00e8me. Il obtient de bonnes performances, en particulier lorsque les transcriptions sont bruit\u00e9es.",
"cite_spans": [],
"ref_spans": [],
"eq_spans": [],
"section": "Abstract",
"sec_num": null
}
],
"body_text": [
{
"text": "Ces derni\u00e8res d\u00e9cennies, le d\u00e9veloppement consid\u00e9rable des technologies de l'information et de la communication a modifi\u00e9 la mani\u00e8re dont nous acc\u00e9dons et manipulons les connaissances. Nous constatons une diversit\u00e9 toujours plus importante des types de contenus \u00e9chang\u00e9s (texte, image, audio, vid\u00e9o, SMS, tweet, donn\u00e9es statistiques, spatiales, etc.) , ce qui n\u00e9cessite de r\u00e9soudre de nombreuses probl\u00e9matiques, parmi lesquelles la recherche d'information, qui a int\u00e9ress\u00e9 la communaut\u00e9 du TALN d\u00e8s les ann\u00e9es 90 avec les campagnes d'\u00e9valuation MUC (Grishman et Sundheim, 1996) . Les travaux sur le sujet ont port\u00e9 une attention particuli\u00e8re aux noms propres de personnes, de lieux et d'organisations, appel\u00e9s entit\u00e9s nomm\u00e9es (EN). Au gr\u00e9 des besoins, celles-ci ont \u00e9t\u00e9 \u00e9tendues aux dates, aux expressions num\u00e9riques, aux marques ou aux fonctions, avant de recouvrir un large spectre d'expressions linguistiques.",
"cite_spans": [
{
"start": 271,
"end": 350,
"text": "(texte, image, audio, vid\u00e9o, SMS, tweet, donn\u00e9es statistiques, spatiales, etc.)",
"ref_id": null
},
{
"start": 549,
"end": 577,
"text": "(Grishman et Sundheim, 1996)",
"ref_id": "BIBREF12"
}
],
"ref_spans": [],
"eq_spans": [],
"section": "Introduction",
"sec_num": "1"
},
{
"text": "De nombreux syst\u00e8mes ont \u00e9t\u00e9 \u00e9labor\u00e9s pour r\u00e9aliser la reconnaissance d'entit\u00e9s nomm\u00e9es (REN), selon des approches orient\u00e9es connaissances ou orient\u00e9es donn\u00e9es. Les premi\u00e8res ont g\u00e9n\u00e9ralement une grande pr\u00e9cision mais n\u00e9cessitent un coup humain de d\u00e9veloppement important, ce qui se traduit g\u00e9n\u00e9ralement par une couverture (et donc un rappel) perfectible. Les approches orient\u00e9es donn\u00e9es, par ajustement automatique de param\u00e8tres d'un mod\u00e8le num\u00e9rique, permettent d'obtenir de bonnes performances, avec un coup d'entr\u00e9e limit\u00e9, du moment o\u00f9 l'on dispose d'une base d'apprentissage de taille suffisante. Ils sont \u00e9galement r\u00e9put\u00e9s pr\u00e9senter une d\u00e9gradation graduelle de leurs performances sur des donn\u00e9es bruit\u00e9es. Cependant, l'aspect \"bo\u00eete noire\" des algorithmes d'apprentissage rend difficile l'am\u00e9lioration cibl\u00e9e de leurs performances.",
"cite_spans": [],
"ref_spans": [],
"eq_spans": [],
"section": "Introduction",
"sec_num": "1"
},
{
"text": "Ces constats ont \u00e9t\u00e9 v\u00e9rifi\u00e9s par de nombreuses campagnes d'\u00e9valuation. \u00c0 titre d'exemple, lors de la campagne d'\u00e9valuation francophone Ester2 (Galliano et al., 2009) , portant sur le traitement de transcriptions de parole radio ou t\u00e9l\u00e9diffus\u00e9e, les deux meilleurs syst\u00e8mes travaillant sur des transcriptions manuelles \u00e9taient des syst\u00e8mes \u00e0 base de connaissance, tandis que les tests effectu\u00e9s sur des sorties de reconnaissance de la parole ont \u00e9t\u00e9 domin\u00e9s par un syst\u00e8me orient\u00e9 donn\u00e9es.",
"cite_spans": [
{
"start": 143,
"end": 166,
"text": "(Galliano et al., 2009)",
"ref_id": "BIBREF11"
}
],
"ref_spans": [],
"eq_spans": [],
"section": "Introduction",
"sec_num": "1"
},
{
"text": "Les travaux que nous pr\u00e9sentons dans cet article ont \u00e9t\u00e9 men\u00e9s dans le cadre de la campagne Etape (qui a fait suite \u00e0 Ester2) qui visait notamment \u00e0 \u00e9valuer des syst\u00e8mes de REN sur des flux de parole conversationnelle. Nous y proposons une approche novatrice pour la REN : l'utilisation de m\u00e9thodes de fouille de donn\u00e9es s\u00e9quentielle hi\u00e9rarchique. \u00c0 nos yeux, ces travaux pr\u00e9sentent plusieurs originalit\u00e9s du point de vue du TALN : (i) nous \u00e9laborons un moyen-terme entre les approches orient\u00e9es donn\u00e9es et orient\u00e9es connaissances reposant sur la recherche, \u00e0 partir de donn\u00e9es d'apprentissage, de motifs pour la REN : cette technique centr\u00e9e donn\u00e9es permet l'extraction de connaissances interpr\u00e9tables ; (ii) la strat\u00e9gie de d\u00e9tection des entit\u00e9s nomm\u00e9es est originale, par la recherche s\u00e9par\u00e9e du d\u00e9but et de la fin des entit\u00e9s, en nous appuyant sur le contexte imm\u00e9diat pour placer les balises d'annotation : cela pr\u00e9sente l'int\u00e9r\u00eat de conserver une certaine robustesse en cas de disfluence ou d'erreur de reconnaissance au sein de l'entit\u00e9 nomm\u00e9e.",
"cite_spans": [],
"ref_spans": [],
"eq_spans": [],
"section": "Introduction",
"sec_num": "1"
},
{
"text": "Cet article porte sur l'\u00e9laboration, l'impl\u00e9mentation et l'\u00e9valuation d'une telle approche. En partie 2, nous faisons un \u00e9tat de l'art des approches pour la REN. La partie 3 pr\u00e9sente le formalisme de fouille pour l'extraction de r\u00e8gles d'annotation et leur utilisation pour reconna\u00eetre des entit\u00e9s nomm\u00e9es. En partie 4, nous d\u00e9crivons le jeu de donn\u00e9es utilis\u00e9 et les r\u00e9sultats obtenus lors de l'\u00e9valuation dans le cadre de la campagne Etape.",
"cite_spans": [],
"ref_spans": [],
"eq_spans": [],
"section": "Introduction",
"sec_num": "1"
},
{
"text": "2 Approches pour la reconnaissance d'EN structur\u00e9es",
"cite_spans": [],
"ref_spans": [],
"eq_spans": [],
"section": "Introduction",
"sec_num": "1"
},
{
"text": "Les approches orient\u00e9es connaissances sont bas\u00e9es sur la description de r\u00e8gles d\u00e9crivant les entit\u00e9s nomm\u00e9es et leur contexte \u00e0 l'aide d'indices linguistiques fournis par le texte lui-m\u00eame et des ressources externes (dictionnaires). G\u00e9n\u00e9ralement, les textes sont \u00e9tiquet\u00e9s syntaxiquement (\u00e9ventuellement s\u00e9mantiquement) gr\u00e2ce aux dictionnaires, puis un ensemble de r\u00e8gles, qui prennent en compte les indices morphologiques (pr\u00e9sence de majuscule, ponctuation), morphosyntaxiques et s\u00e9mantique, permettent de rep\u00e9rer les ENs. Les r\u00e8gles utilisent ces \u00e9l\u00e9ments, soit comme preuves internes de la pr\u00e9sence d'une entit\u00e9 nomm\u00e9e, soit par description de son contexte d'apparition (McDonald, 1996; Friburger et Maurel, 2004) . Une preuve interne sera, par exemple, la pr\u00e9sence d'un pr\u00e9nom avant un mot commen\u00e7ant par une majuscule ; ce pr\u00e9nom indiquera un nom de personne (ex : 'Fran\u00e7ois Hollande'). Nous voyons que c'est la \"connaissance\" qui guide cette approche, celle de l'expert qui cr\u00e9\u00e9 les r\u00e8gles, selon les informations \u00e0 sa disposition (dont les ressources externes).",
"cite_spans": [
{
"start": 674,
"end": 690,
"text": "(McDonald, 1996;",
"ref_id": "BIBREF15"
},
{
"start": 691,
"end": 717,
"text": "Friburger et Maurel, 2004)",
"ref_id": "BIBREF9"
}
],
"ref_spans": [],
"eq_spans": [],
"section": "Approches orient\u00e9es connaissances",
"sec_num": "2.1"
},
{
"text": "D\u00e8s les ann\u00e9es 1990, un certain nombre de syst\u00e8mes (Stephens, 1993; Hobbs J. R. et Tyson, 1996) mettent en oeuvre cette approche orient\u00e9e connaissances. Les automates sont particuli\u00e8rement adapt\u00e9s \u00e0 l'\u00e9laboration et l'utilisation des r\u00e8gles. De plus, l'utilisation de transducteurs 1 permet de produire tr\u00e8s intuitivement une annotation \u00e0 l'aide de balises ('<pers>', '</pers>', '<org>', '</org>', etc.), ils sont donc largement utilis\u00e9s pour ce type de t\u00e2che (Friburger et Maurel, 2004; Brun et Ehrmann, 2010; B\u00e9chet et al., 2011) . Enfin, les transducteurs peuvent \u00eatre organis\u00e9s sous forme de cascades, chaque transducteur permettant de lever des ambigu\u00eft\u00e9s et de mettre \u00e0 disposition des reconnaissances pour les transducteurs suivants (ce qui permet de reconna\u00eetre des imbrications). L'ordre dans lequel sont appliqu\u00e9s les transducteurs a alors une grande importance.",
"cite_spans": [
{
"start": 51,
"end": 67,
"text": "(Stephens, 1993;",
"ref_id": "BIBREF23"
},
{
"start": 68,
"end": 95,
"text": "Hobbs J. R. et Tyson, 1996)",
"ref_id": "BIBREF13"
},
{
"start": 460,
"end": 487,
"text": "(Friburger et Maurel, 2004;",
"ref_id": "BIBREF9"
},
{
"start": 488,
"end": 510,
"text": "Brun et Ehrmann, 2010;",
"ref_id": "BIBREF2"
},
{
"start": 511,
"end": 531,
"text": "B\u00e9chet et al., 2011)",
"ref_id": "BIBREF3"
}
],
"ref_spans": [],
"eq_spans": [],
"section": "Approches orient\u00e9es connaissances",
"sec_num": "2.1"
},
{
"text": "\u00c9tant donn\u00e9 les traitements qu'elles mettent en oeuvre, les approches orient\u00e9es connaissances ins\u00e8rent au sein des s\u00e9quences de mots ce que nous appelons des marqueurs, comme le montre la figure 1 pour l'expression 'fondation Cartier'. (Mikheev et al., 1999; Ekbala et al., 2010) , permettant de prendre en compte de multiples traits discriminants (morphologiques, morpho-syntaxiques, lexicaux) interd\u00e9pendants. D'autres mod\u00e8les tirent parti de la s\u00e9quentialit\u00e9, comme les HMM (Bikel et al., 1999) , par mod\u00e9lisation des transitions entre \u00e9tats (types d'entit\u00e9s nomm\u00e9es) et des g\u00e9n\u00e9rations d'observations (mots). A ce jour, les approches orient\u00e9es donn\u00e9es se basent majoritairement sur une repr\u00e9sentation \"plate\" des entit\u00e9s nomm\u00e9es. Comme nous le verrons en partie 4, nous cherchons \u00e0 r\u00e9aliser la REN structur\u00e9e (avec imbrications). Notons que quelques travaux (Finkel et Manning, 2005; Dinarelli et Rosset, 2011) ont adapt\u00e9 avec un certain succ\u00e8s des m\u00e9thodes orient\u00e9es donn\u00e9es \u00e0 la reconnaissance de structure.",
"cite_spans": [
{
"start": 236,
"end": 258,
"text": "(Mikheev et al., 1999;",
"ref_id": "BIBREF16"
},
{
"start": 259,
"end": 279,
"text": "Ekbala et al., 2010)",
"ref_id": "BIBREF6"
},
{
"start": 477,
"end": 497,
"text": "(Bikel et al., 1999)",
"ref_id": "BIBREF1"
},
{
"start": 862,
"end": 887,
"text": "(Finkel et Manning, 2005;",
"ref_id": "BIBREF7"
},
{
"start": 888,
"end": 914,
"text": "Dinarelli et Rosset, 2011)",
"ref_id": "BIBREF5"
}
],
"ref_spans": [],
"eq_spans": [],
"section": "Approches orient\u00e9es connaissances",
"sec_num": "2.1"
},
{
"text": "De mani\u00e8re g\u00e9n\u00e9rale, nous remarquons que les approches automatiques n\u00e9cessitent un travail pr\u00e9alable cons\u00e9quent (pr\u00e9paration des jeux de donn\u00e9es, impl\u00e9mentation du mod\u00e8le, des proc\u00e9dures d'apprentissage et d'estimation, s\u00e9lection des traits et d\u00e9pendances pertinents, etc.) avant d'\u00eatre en mesure de param\u00e9trer les mod\u00e8les, et qu'il reste difficile de les utiliser pour extraire des connaissances ou pour \u00e9tudier des ph\u00e9nom\u00e8nes particuliers.",
"cite_spans": [],
"ref_spans": [],
"eq_spans": [],
"section": "Approches orient\u00e9es connaissances",
"sec_num": "2.1"
},
{
"text": "Nous le voyons, les approches guid\u00e9es par les donn\u00e9es s'appuient sur des indices locaux vari\u00e9s. La nature \"locale\" de la structuration en entit\u00e9s nomm\u00e9es est alors un atout. Les syst\u00e8mes orient\u00e9s connaissances ont l'avantage de mod\u00e9liser la structure interne des entit\u00e9s nomm\u00e9es. Ainsi un syst\u00e8me \u00e0 base de connaissances aura plus de facilit\u00e9 \u00e0 analyser l'encapsulation d'entit\u00e9s nomm\u00e9es comme dans l'exemple suivant (issu d'Etape) : 'le d\u00e9put\u00e9 UMP de Haute-Sa\u00f4ne' o\u00f9 l'entit\u00e9 nomm\u00e9e globale est construite \u00e0 l'aide de l'entit\u00e9 'UMP', de type organisation, et de l'entit\u00e9 'Haute-Sa\u00f4ne', de type division g\u00e9ographique administrative.",
"cite_spans": [],
"ref_spans": [],
"eq_spans": [],
"section": "Proposition : les marqueurs d'annotation",
"sec_num": "2.3"
},
{
"text": "Cependant, ces derni\u00e8res approches utilisent une connaissance dont la construction est co\u00fbteuse et d\u00e9licate. Aussi avons-nous souhait\u00e9 d\u00e9velopper une approche permettant l'extraction automatique sur corpus de motifs se rapprochant des r\u00e8gles de reconnaissance mises en oeuvre par la REN symbolique. La fouille hi\u00e9rarchique s\u00e9quentielle de donn\u00e9es est ad\u00e9quate \u00e0 cet effet.",
"cite_spans": [],
"ref_spans": [],
"eq_spans": [],
"section": "Proposition : les marqueurs d'annotation",
"sec_num": "2.3"
},
{
"text": "Par ailleurs, les syst\u00e8mes orient\u00e9s connaissances sont aujourd'hui contraints \u00e0 mod\u00e9liser int\u00e9gralement la structure des entit\u00e9s, voire de ses contextes d'introduction. Ce choix est discutable et met \u00e0 l'\u00e9preuve la robustesse des syst\u00e8mes lorsqu'ils traitent de la parole spontan\u00e9e. Une erreur de reconnaissance sur un seul mot de l'entit\u00e9 (d\u00fbe par exemple \u00e0 une disfluence) emp\u00eache l'application de la r\u00e8gle de d\u00e9tection. ",
"cite_spans": [],
"ref_spans": [],
"eq_spans": [],
"section": "Proposition : les marqueurs d'annotation",
"sec_num": "2.3"
},
{
"text": "Nous r\u00e9alisons conjointement la tokenisation, la lemmatisation et l'\u00e9tiquetage morpho-syntaxique avec TreeTagger (Schmid, 1994) . De surcro\u00eet, nous en adaptons la sortie comme suit :",
"cite_spans": [
{
"start": 113,
"end": 127,
"text": "(Schmid, 1994)",
"ref_id": "BIBREF21"
}
],
"ref_spans": [],
"eq_spans": [],
"section": "Morpho-syntaxe",
"sec_num": "3.1.1"
},
{
"text": "-D\u00e9terminants : les d\u00e9terminants d\u00e9finis ('le', 'la', 'les', 'l\") sont sous-cat\u00e9goris\u00e9s en 'DET/DEF'.",
"cite_spans": [],
"ref_spans": [],
"eq_spans": [],
"section": "Morpho-syntaxe",
"sec_num": "3.1.1"
},
{
"text": "-Pr\u00e9positions : la sous-cat\u00e9gorie 'PRP:det' ('au', 'du', 'des') forme une cat\u00e9gorie 'PRPDET'.",
"cite_spans": [],
"ref_spans": [],
"eq_spans": [],
"section": "Morpho-syntaxe",
"sec_num": "3.1.1"
},
{
"text": "-Nombres : les nombres sont sous-cat\u00e9goris\u00e9s selon leur nombre de chiffres 5 . -Noms propres et abr\u00e9viations : ces deux cat\u00e9gories se g\u00e9n\u00e9ralisent en 'NAMABR'.",
"cite_spans": [],
"ref_spans": [],
"eq_spans": [],
"section": "Morpho-syntaxe",
"sec_num": "3.1.1"
},
{
"text": "-Nom propres, abr\u00e9viations, noms, verbes : ces \u00e9l\u00e9ments sont sous-cat\u00e9goris\u00e9s par le suffixe des trois derniers caract\u00e8res ('NOM/SUFF:ier', 'NAMABR/NAM/SUFF:ges', 'VER/SUFF:vre'). ",
"cite_spans": [],
"ref_spans": [],
"eq_spans": [],
"section": "Morpho-syntaxe",
"sec_num": "3.1.1"
},
{
"text": "Les donn\u00e9es ainsi enrichies forment le langage r et ont vocation a \u00eatre fouill\u00e9es afin d'y rechercher des motifs s\u00e9quentiels d'int\u00e9r\u00eat (Fischer et al., 2005; Cellier et Charnois, 2010) pour la REN.",
"cite_spans": [
{
"start": 135,
"end": 157,
"text": "(Fischer et al., 2005;",
"ref_id": "BIBREF8"
},
{
"start": 158,
"end": 184,
"text": "Cellier et Charnois, 2010)",
"ref_id": "BIBREF4"
}
],
"ref_spans": [],
"eq_spans": [],
"section": "Exploration de r\u00e8gles d'annotation de segments",
"sec_num": "3.2"
},
{
"text": "Le langage des motifs p + comprend celui des donn\u00e9es enrichies et toutes leurs g\u00e9n\u00e9ralisations. Un \u00e9l\u00e9ment de motif (item) couvre une donn\u00e9e, not\u00e9e \u2264 ci , lorsqu'il s'y trouve en tenant compte des disjonctions \u2295. Par exemple, l'item 'TOPO/Washington' couvre la donn\u00e9e enrichie 'CELEB/Washington\u2295TOPO/Washington'. D\u00e8s lors, nous nous inspirons de travaux int\u00e9grant des hi\u00e9rarchies aux s\u00e9quences (Srikant et Agrawal, 1996) , en y ajoutant la notion de segment 8 particuli\u00e8rement adapt\u00e9e au traitement de structures au sein desquelles des items se r\u00e9p\u00e8tent (comme des syntagmes s\u00e9mantiquement cat\u00e9goris\u00e9s). ",
"cite_spans": [
{
"start": 394,
"end": 420,
"text": "(Srikant et Agrawal, 1996)",
"ref_id": "BIBREF22"
}
],
"ref_spans": [],
"eq_spans": [],
"section": "Exploration de r\u00e8gles d'annotation de segments",
"sec_num": "3.2"
},
{
"text": "La combinatoire du langage p + \u00e9tant importante, il est n\u00e9cessaire de filtrer les r\u00e8gles. Pour cela, nous d\u00e9terminons la fr\u00e9quence et la confiance des r\u00e8gles, afin d'\u00e9liminer celles qui n'ont que peu d'int\u00e9r\u00eat. \u00c0 l'aide de la couverture et des g\u00e9n\u00e9ralisations d\u00e9finies ci-dessus, nous d\u00e9terminons la fr\u00e9quence F req(P, ) d'une r\u00e8gle P comme son nombre d'occurrences au sein du corpus . La confiance d'une r\u00e8gle d'annotation P estime la proportion de phrases o\u00f9 la r\u00e8gle est appliqu\u00e9e avec justesse :",
"cite_spans": [],
"ref_spans": [],
"eq_spans": [],
"section": "Filtrage et extraction de r\u00e8gles d'annotations partielles",
"sec_num": "3.3"
},
{
"text": "C on f (P, ) = F req(P, )",
"cite_spans": [],
"ref_spans": [],
"eq_spans": [],
"section": "Filtrage et extraction de r\u00e8gles d'annotations partielles",
"sec_num": "3.3"
},
{
"text": "F req(Ret m (P), ) (la fonction Ret m (P) retire les marqueurs de P)",
"cite_spans": [],
"ref_spans": [],
"eq_spans": [],
"section": "Filtrage et extraction de r\u00e8gles d'annotations partielles",
"sec_num": "3.3"
},
{
"text": "M\u00eame en fixant des seuils de support et confiance s\u00e9lectifs, les r\u00e8gles d'annotation peuvent \u00eatre trop nombreuses \u00e0 cause des combinaisons possibles au travers de la hi\u00e9rarchie. Afin de contenir cette abondance de r\u00e8gles, nous proposons de grouper les r\u00e8gles, puis d'\u00e9liminer celles qui ne sont pas informatives, \u00e0 l'instar de (Pasquier et al., 1999) . L'id\u00e9e forte est que deux motifs qui couvrent les m\u00eames exemples sont redondants car ils appartiennent \u00e0 la m\u00eame classe d'\u00e9quivalence :",
"cite_spans": [
{
"start": 327,
"end": 350,
"text": "(Pasquier et al., 1999)",
"ref_id": "BIBREF17"
}
],
"ref_spans": [],
"eq_spans": [],
"section": "Filtrage et extraction de r\u00e8gles d'annotations partielles",
"sec_num": "3.3"
},
{
"text": "\u00c9quivalence de motifs au regard d'une base de donn\u00e9es : soient P et Q deux motifs et une base de donn\u00e9es, alors P est \u00e9quivalent \u00e0 Q au regard de , not\u00e9e P \u2261 Q, si P \u2264 g Q ou Q \u2264 g P et F req(P, ) = F req (Q, ) Dans la suite, plut\u00f4t que d'extraire toutes les r\u00e8gles d'une m\u00eame classe d'\u00e9quivalence, nous nous contentrerons des motifs les plus sp\u00e9cifiques car ils sont porteurs de plus de corr\u00e9lations. Par ailleurs, nous \u00e9tendons cette \u00e9quivalence par une marge de tol\u00e9rance lors de la comparaison des fr\u00e9quences \u00e0 \u03b4%, ce que nous appellons alors filtrage \u03b4.",
"cite_spans": [
{
"start": 205,
"end": 210,
"text": "(Q, )",
"ref_id": null
}
],
"ref_spans": [],
"eq_spans": [],
"section": "Filtrage et extraction de r\u00e8gles d'annotations partielles",
"sec_num": "3.3"
},
{
"text": "Les r\u00e8gles d'annotation sont utilis\u00e9es par mXS pour r\u00e9aliser l'annotation en entit\u00e9s nomm\u00e9es.",
"cite_spans": [],
"ref_spans": [],
"eq_spans": [],
"section": "Annotation automatique \u00e0 partir des r\u00e8gles d'annotation",
"sec_num": "3.4"
},
{
"text": "Pour une position j d'un texte, de nombreuses r\u00e8gles peuvent proposer des marqueurs. Nous estimons la probabilit\u00e9 d'ins\u00e9rer des marqueurs en M j (transductions) par r\u00e9gression logistique, ce qui nous permet de tenir compte de la multiplicit\u00e9 des r\u00e8gles P \u2208 j selon la formule :",
"cite_spans": [],
"ref_spans": [],
"eq_spans": [],
"section": "Annotation automatique \u00e0 partir des r\u00e8gles d'annotation",
"sec_num": "3.4"
},
{
"text": "P(m \u2208 M j | j ) = 1 Z( j ) \u2022 exp P\u2208 j \u03bb P,m",
"cite_spans": [],
"ref_spans": [],
"eq_spans": [],
"section": "Annotation automatique \u00e0 partir des r\u00e8gles d'annotation",
"sec_num": "3.4"
},
{
"text": "Dans une annotation (et plus particuli\u00e8rement si elle est structur\u00e9e), plusieurs marqueurs peuvent se trouver \u00e0 une position donn\u00e9e. Il nous faut \u00eatre en mesure de faire le lien entre la probabilit\u00e9 d'ins\u00e9rer un marqueur individuel et celle d'ins\u00e9rer une s\u00e9quence de marqueurs. Pour cela, nous tenons compte des statistiques issues du corpus sous forme de probabilit\u00e9s conditionnelles 9 :",
"cite_spans": [],
"ref_spans": [],
"eq_spans": [],
"section": "Annotation automatique \u00e0 partir des r\u00e8gles d'annotation",
"sec_num": "3.4"
},
{
"text": "P(M j = m 1 m 2 . . . m p ) = 1 p \u2022 p k=1 P(m k \u2208 M k | k )P(m 1 . . . m p |m k )",
"cite_spans": [],
"ref_spans": [],
"eq_spans": [],
"section": "Annotation automatique \u00e0 partir des r\u00e8gles d'annotation",
"sec_num": "3.4"
},
{
"text": "Lorsque les probabilit\u00e9s de s\u00e9quences de marqueurs P(M i ) sont estim\u00e9es, nous les utilisons afin de d\u00e9terminer quelle est, pour un \u00e9nonc\u00e9 donn\u00e9, l'annotation la plus vraisemblable parmi les annotations valides. Une hypoth\u00e8se d'ind\u00e9pendance entre marqueurs au sein d'un \u00e9nonc\u00e9 nous permet de r\u00e9soudre la recherche de l'annotation par programmation dynamique. Les types principaux d'entit\u00e9s nomm\u00e9es sont les personnes (pers)), fonctions (fonc), organisations (org), lieux (loc), productions humaines (prod), points dans le temps (time), quantit\u00e9s (amount) et \u00e9v\u00e8nements (event). \u00c0 granularit\u00e9 fine (sur laquelle est r\u00e9alis\u00e9e l'\u00e9valuation), ils sont r\u00e9partis en 34 sous-types. La figure 4 indique leur r\u00e9partition au sein du corpus Etape. Notons que les entit\u00e9s nomm\u00e9es sont \u00e9tendues \u00e0 des expressions construites \u00e0 partir de noms communs, ce qui am\u00e8ne \u00e0 consid\u00e9rer une large gamme d'expressions linguistiques. En plus des entit\u00e9s nomm\u00e9es, leurs composants sont annot\u00e9s, soit sp\u00e9cifiques \u00e0 certains types (jour, mois, etc. pour une date) ou transverses (valeur, unit\u00e9, qualificateur, etc.) . Ces \u00e9l\u00e9ments permettent de mieux d\u00e9crire les entit\u00e9s lors de leur annotation (Rosset et al., 2011) .",
"cite_spans": [
{
"start": 1051,
"end": 1087,
"text": "(valeur, unit\u00e9, qualificateur, etc.)",
"ref_id": null
},
{
"start": 1167,
"end": 1188,
"text": "(Rosset et al., 2011)",
"ref_id": "BIBREF20"
}
],
"ref_spans": [],
"eq_spans": [],
"section": "Annotation automatique \u00e0 partir des r\u00e8gles d'annotation",
"sec_num": "3.4"
},
{
"text": "Le nombre d'entit\u00e9s nomm\u00e9es rapport\u00e9 au nombre de tokens du corpus est de 12,3%, dont 4,8% pour les entit\u00e9s et 7,5% pour les composants. Globalement, ce corpus, quoiqu'assez volumineux, est bien \u00e9quilibr\u00e9 pour les types principaux d'entit\u00e9s et de composants. Notons que nous r\u00e9alisons l'exploration des donn\u00e9es sur un corpus qui contient des disfluences, r\u00e9p\u00e9titions, etc.",
"cite_spans": [],
"ref_spans": [],
"eq_spans": [],
"section": "Annotation automatique \u00e0 partir des r\u00e8gles d'annotation",
"sec_num": "3.4"
},
{
"text": "Pour impl\u00e9menter la fouille de donn\u00e9es, nous construisons un arbre des pr\u00e9fixes communs par niveaux, le processus est optimis\u00e9 en exploitant la propri\u00e9t\u00e9 d'anti-monotonie (Agrawal et Srikant, 1995) et les hi\u00e9rarchies (Wang et Han, 2004) . De plus, nous poussons deux contraintes suppl\u00e9mentaires pour l'extraction des r\u00e8gles d'annotation :",
"cite_spans": [
{
"start": 171,
"end": 197,
"text": "(Agrawal et Srikant, 1995)",
"ref_id": "BIBREF0"
},
{
"start": 217,
"end": 236,
"text": "(Wang et Han, 2004)",
"ref_id": "BIBREF24"
}
],
"ref_spans": [],
"eq_spans": [],
"section": "Extraction de r\u00e8gles d'annotation",
"sec_num": "4.2"
},
{
"text": "-Nombre de marqueurs : une r\u00e8gle d'annotation partielle ne contient qu'un marqueur. -Niveaux : le nombre d'it\u00e9rations de l'algorithme par niveaux est limit\u00e9 \u00e0 7. L'approche que nous adoptons nous permet d'explorer exhaustivement les motifs fr\u00e9quents et confiants. Les seuils minimaux sont fix\u00e9s \u00e0 3 en fr\u00e9quence et 5% en confiance. Le syst\u00e8me extrait alors 143 205 r\u00e8gles d'annotation partielles 13 . La figure 5 montre que la longueur des r\u00e8gles varie autour de trois \u00e9l\u00e9ments, et leur profondeur d'items 14 se situe autour de quatre. Ces statistiques confirment que les r\u00e8gles d'annotation sont explor\u00e9es sur les deux axes que nous avons d\u00e9finis. Nous voyons aussi que la r\u00e9partition des r\u00e8gles d'annotation par types d'EN est diversement corr\u00e9l\u00e9e au corpus. Les types time et amount sont moins repr\u00e9sent\u00e9s : il y a moins de descripteurs pour ces types, il pourrait alors \u00eatre assez homog\u00e8ne dans les donn\u00e9es. Inversement, le type prod, est sur-repr\u00e9sent\u00e9 et nous faisons l'hypoth\u00e8se qu'il est assez h\u00e9t\u00e9rog\u00e8ne.",
"cite_spans": [
{
"start": 396,
"end": 398,
"text": "13",
"ref_id": null
},
{
"start": 506,
"end": 508,
"text": "14",
"ref_id": null
}
],
"ref_spans": [],
"eq_spans": [],
"section": "Extraction de r\u00e8gles d'annotation",
"sec_num": "4.2"
},
{
"text": "13. En 15 minutes, sur un seul coeur, en consommant 1,5Go de RAM 14. Somme sur les items des sp\u00e9cialisations au del\u00e0 de la racine c ATALA ",
"cite_spans": [],
"ref_spans": [],
"eq_spans": [],
"section": "Extraction de r\u00e8gles d'annotation",
"sec_num": "4.2"
},
{
"text": "Nous utilisons l'outil scikit-learn 15 (Pedregosa et al., 2011) pour r\u00e9aliser la r\u00e9gression logistique. La figure 6 pr\u00e9sente les r\u00e9sultats obtenus en SER 16 et les taux par types d'erreurs (Galibert et al., 2011) . Ces graphiques confirment que le syst\u00e8me r\u00e9duit graduellement ses erreurs \u00e0 mesure que les seuils de fr\u00e9quence et de confiance sont abaiss\u00e9s. Le syst\u00e8me donne des r\u00e9sultats satisfaisants, \u00e9tant donn\u00e9 la difficult\u00e9 de la t\u00e2che. Sans surprise, la d\u00e9sactivation des dictionnaires d\u00e9grade consid\u00e9rablement les performances. Lorsque les donn\u00e9es comportent les donn\u00e9es d'\u00e9valuation (Logit+Test), le surapprentissage est mod\u00e9r\u00e9, ce qui est li\u00e9 au fait que les r\u00e8gles d'annotation ne sont pas lexicalis\u00e9es. Les exp\u00e9riences Logit-DXX nous montrent clairement que le syst\u00e8me obtient encore des performances tr\u00e8s acceptables lorsque l'on r\u00e9duit significativement le nombre de r\u00e8gles extraites \u00e0 l'aide du filtrage \u03b4. La phase d'adjudication de la campagne d'\u00e9valuation ETAPE n'est pas achev\u00e9e \u00e0 l'heure de la r\u00e9daction de cet article. Nous avons cependant \u00e9t\u00e9 autoris\u00e9s \u00e0 reporter en table 3 les performances anonymes des syst\u00e8mes avant adjudication. Les SER pr\u00e9sent\u00e9s sont donn\u00e9s sur les transcriptions manuelles et sur les sorties de diff\u00e9rents syst\u00e8mes de reconnaissance, pour lesquels sont mentionn\u00e9s les WER 17 .",
"cite_spans": [
{
"start": 39,
"end": 63,
"text": "(Pedregosa et al., 2011)",
"ref_id": "BIBREF18"
},
{
"start": 189,
"end": 212,
"text": "(Galibert et al., 2011)",
"ref_id": "BIBREF10"
}
],
"ref_spans": [],
"eq_spans": [],
"section": "Reconnaissance d'entit\u00e9s nomm\u00e9es",
"sec_num": "4.3"
},
{
"text": "Parmi les autres syst\u00e8mes participants, le syst\u00e8me 3 utilise des CRF (binaris\u00e9s, un par type), le syst\u00e8me 6/7/8 utilise un CRF pour les composants et un PCFG pour reconstituer les entit\u00e9s, CasEN utilise des transducteurs. De mani\u00e8re g\u00e9n\u00e9rale, mXS affiche de bonnes performances (entre la 1 \u00e8re et la 3 \u00e8me position). Les taux d'erreurs \u00e9lev\u00e9s sont li\u00e9s \u00e0 la difficult\u00e9 de la t\u00e2che (parole spontan\u00e9e, imbrications, typologie fine). Sans surprise, les performances sont d\u00e9grad\u00e9es sur les donn\u00e9es bruit\u00e9es par la reconnaissance de parole. Nous voyons que mXS et r\u00e9siste bien aux erreurs de reconnaissance de la parole. ",
"cite_spans": [],
"ref_spans": [],
"eq_spans": [],
"section": "Reconnaissance d'entit\u00e9s nomm\u00e9es",
"sec_num": "4.3"
},
{
"text": "La reconnaissance d'entit\u00e9s nomm\u00e9es structur\u00e9es sur de la parole spontan\u00e9e n\u00e9cessite de mettre au point des syst\u00e8mes robustes. Dans cet article, nous pr\u00e9sentons une approche originale \u00e0 base de fouille de donn\u00e9es, qui extrait des r\u00e8gles d'annotation partielles et param\u00e8tre un mod\u00e8le num\u00e9rique les utilisant.",
"cite_spans": [],
"ref_spans": [],
"eq_spans": [],
"section": "Conclusion",
"sec_num": "5"
},
{
"text": "Les r\u00e9sultats obtenus dans le cadre de la campagne Etape indiquent que notre approche novatrice fait jeu \u00e9gal avec les syst\u00e8mes \u00e9tat de l'art. Pour \u00e9viter tout biais m\u00e9thodologique, nous restons toutefois en attente d'une r\u00e9f\u00e9rence d\u00e9barrass\u00e9e de toute erreur d'annotation : c'est l'objectif de la phase d'adjudication en cours. Notre objectif \u00e0 court terme est de mieux caract\u00e9riser les points forts et limitations du mod\u00e8le (d\u00e9tection s\u00e9par\u00e9e du d\u00e9but et de la fin des annotations). Nous comptons \u00e9galement mettre \u00e0 l'\u00e9preuve le syst\u00e8me sur d'autres t\u00e2ches qui pourraient b\u00e9n\u00e9ficier de l'extraction de motifs de segments.",
"cite_spans": [],
"ref_spans": [],
"eq_spans": [],
"section": "Conclusion",
"sec_num": "5"
},
{
"text": ". Begin, Inside, Outside 3. Mod\u00e8les markoviens \u00e0 maximum d'entropie 4. Champs al\u00e9atoires conditionnels",
"cite_spans": [],
"ref_spans": [],
"eq_spans": [],
"section": "",
"sec_num": null
},
{
"text": "c ATALA",
"cite_spans": [],
"ref_spans": [],
"eq_spans": [],
"section": "",
"sec_num": null
}
],
"back_matter": [
{
"text": "Ces travaux ont \u00e9t\u00e9 r\u00e9alis\u00e9s dans le cadre du projet ANR Etape. Merci en particulier \u00e0 Olivier Galibert (LNE), Matthieu Carr\u00e9 (ELDA) et Guillaume Gravier (IRISA).",
"cite_spans": [],
"ref_spans": [],
"eq_spans": [],
"section": "Remerciements",
"sec_num": null
}
],
"bib_entries": {
"BIBREF0": {
"ref_id": "b0",
"title": "Mining sequential patterns",
"authors": [
{
"first": "R",
"middle": [],
"last": "Agrawal",
"suffix": ""
},
{
"first": "R",
"middle": [],
"last": "Srikant",
"suffix": ""
}
],
"year": 1995,
"venue": "International Conference on Data Engineering (ICDE'95)",
"volume": "",
"issue": "",
"pages": "3--14",
"other_ids": {},
"num": null,
"urls": [],
"raw_text": "AGRAWAL, R. et SRIKANT, R. (1995). Mining sequential patterns. In International Conference on Data Engineering (ICDE'95), pages 3-14.",
"links": null
},
"BIBREF1": {
"ref_id": "b1",
"title": "An algorithm that learns what's in a name",
"authors": [
{
"first": "D",
"middle": [],
"last": "Bikel",
"suffix": ""
},
{
"first": "R",
"middle": [],
"last": "Schwartz",
"suffix": ""
},
{
"first": "R",
"middle": [
"M"
],
"last": "Weischedel",
"suffix": ""
}
],
"year": 1999,
"venue": "Machine Learning",
"volume": "34",
"issue": "",
"pages": "211--231",
"other_ids": {},
"num": null,
"urls": [],
"raw_text": "BIKEL, D., SCHWARTZ, R. et WEISCHEDEL, R. M. (1999). An algorithm that learns what's in a name. Machine Learning, 34:211-231.",
"links": null
},
"BIBREF2": {
"ref_id": "b2",
"title": "Un syst\u00e8me de d\u00e9tection d'entit\u00e9s nomm\u00e9es adapt\u00e9 pour la campagne d'\u00e9valuation ester 2",
"authors": [
{
"first": "C",
"middle": [],
"last": "Brun",
"suffix": ""
},
{
"first": "M",
"middle": [],
"last": "Ehrmann",
"suffix": ""
}
],
"year": 2010,
"venue": "Traitement Automatique du Langage Naturel (TALN'10)",
"volume": "",
"issue": "",
"pages": "",
"other_ids": {},
"num": null,
"urls": [],
"raw_text": "BRUN, C. et EHRMANN, M. (2010). Un syst\u00e8me de d\u00e9tection d'entit\u00e9s nomm\u00e9es adapt\u00e9 pour la campagne d'\u00e9valuation ester 2. In Traitement Automatique du Langage Naturel (TALN'10).",
"links": null
},
"BIBREF3": {
"ref_id": "b3",
"title": "Coop\u00e9ration de m\u00e9thodes statistiques et symboliques pour l'adaptation non-supervis\u00e9e d'un syst\u00e8me d'\u00e9tiquetage en entit\u00e9s nomm\u00e9es",
"authors": [
{
"first": "F",
"middle": [],
"last": "B\u00e9chet",
"suffix": ""
},
{
"first": "B",
"middle": [],
"last": "Sagot",
"suffix": ""
},
{
"first": "R",
"middle": [],
"last": "Stern",
"suffix": ""
}
],
"year": 2011,
"venue": "Traitement Automatique des Langues Naturelles (TALN'11)",
"volume": "",
"issue": "",
"pages": "",
"other_ids": {},
"num": null,
"urls": [],
"raw_text": "B\u00c9CHET, F., SAGOT, B. et STERN, R. (2011). Coop\u00e9ration de m\u00e9thodes statistiques et symboliques pour l'adaptation non-supervis\u00e9e d'un syst\u00e8me d'\u00e9tiquetage en entit\u00e9s nomm\u00e9es. In Traitement Automatique des Langues Naturelles (TALN'11).",
"links": null
},
"BIBREF4": {
"ref_id": "b4",
"title": "Fouille de donn\u00e9es s\u00e9quentielles d'itemsets pour l'apprentissage de patrons linguistiques",
"authors": [
{
"first": "P",
"middle": [],
"last": "Cellier",
"suffix": ""
},
{
"first": "T",
"middle": [],
"last": "Charnois",
"suffix": ""
}
],
"year": 2010,
"venue": "Traitement Automatique des Langues Naturelles (TALN'10)",
"volume": "",
"issue": "",
"pages": "",
"other_ids": {},
"num": null,
"urls": [],
"raw_text": "CELLIER, P. et CHARNOIS, T. (2010). Fouille de donn\u00e9es s\u00e9quentielles d'itemsets pour l'apprentissage de patrons linguistiques. In Traitement Automatique des Langues Naturelles (TALN'10).",
"links": null
},
"BIBREF5": {
"ref_id": "b5",
"title": "Models cascade for tree-structured named entity detection",
"authors": [
{
"first": "M",
"middle": [],
"last": "Dinarelli",
"suffix": ""
},
{
"first": "S",
"middle": [],
"last": "Rosset",
"suffix": ""
}
],
"year": 2011,
"venue": "International Joint Conference on Natural Language Processing",
"volume": "",
"issue": "",
"pages": "",
"other_ids": {},
"num": null,
"urls": [],
"raw_text": "DINARELLI, M. et ROSSET, S. (2011). Models cascade for tree-structured named entity detection. In International Joint Conference on Natural Language Processing (IJCNLP'11).",
"links": null
},
"BIBREF6": {
"ref_id": "b6",
"title": "Assessing the challenge of fine-grained named entity recognition and classification",
"authors": [
{
"first": "A",
"middle": [],
"last": "Ekbala",
"suffix": ""
},
{
"first": "E",
"middle": [],
"last": "Sourjikova",
"suffix": ""
},
{
"first": "A",
"middle": [],
"last": "Frank",
"suffix": ""
},
{
"first": "S",
"middle": [
"P"
],
"last": "Ponzetto",
"suffix": ""
}
],
"year": 2010,
"venue": "Annual Meeting of the Association for Computational Linguistics (ACL'10) -Named Entities Workshop",
"volume": "",
"issue": "",
"pages": "93--101",
"other_ids": {},
"num": null,
"urls": [],
"raw_text": "EKBALA, A., SOURJIKOVA, E., FRANK, A. et PONZETTO, S. P. (2010). Assessing the challenge of fine-grained named entity recognition and classification. In Annual Meeting of the Association for Computational Linguistics (ACL'10) -Named Entities Workshop, pages 93-101, Uppsala, Sweden.",
"links": null
},
"BIBREF7": {
"ref_id": "b7",
"title": "Nested named entity recognition",
"authors": [
{
"first": "J",
"middle": [
"R"
],
"last": "Finkel",
"suffix": ""
},
{
"first": "C",
"middle": [
"D"
],
"last": "Manning",
"suffix": ""
}
],
"year": 2005,
"venue": "Conference on Empirical Methods in Natural Language Processing (EMNLP'09)",
"volume": "",
"issue": "",
"pages": "",
"other_ids": {},
"num": null,
"urls": [],
"raw_text": "FINKEL, J. R. et MANNING, C. D. (2005). Nested named entity recognition. In Conference on Empirical Methods in Natural Language Processing (EMNLP'09).",
"links": null
},
"BIBREF8": {
"ref_id": "b8",
"title": "Fast frequent string mining using suffix arrays",
"authors": [
{
"first": "J",
"middle": [],
"last": "Fischer",
"suffix": ""
},
{
"first": "V",
"middle": [],
"last": "Heun",
"suffix": ""
},
{
"first": "S",
"middle": [],
"last": "Kramer",
"suffix": ""
}
],
"year": 2005,
"venue": "5th IEEE International Conference on Data Mining (ICDM'05)",
"volume": "",
"issue": "",
"pages": "609--612",
"other_ids": {},
"num": null,
"urls": [],
"raw_text": "FISCHER, J., HEUN, V. et KRAMER, S. (2005). Fast frequent string mining using suffix arrays. In 5th IEEE International Conference on Data Mining (ICDM'05), pages 609-612.",
"links": null
},
"BIBREF9": {
"ref_id": "b9",
"title": "Finite-state transducer cascades to extract named entities in texts",
"authors": [
{
"first": "N",
"middle": [],
"last": "Friburger",
"suffix": ""
},
{
"first": "D",
"middle": [],
"last": "Maurel",
"suffix": ""
}
],
"year": 2004,
"venue": "Theoretical Computer Sciences (TCS)",
"volume": "313",
"issue": "",
"pages": "93--104",
"other_ids": {},
"num": null,
"urls": [],
"raw_text": "FRIBURGER, N. et MAUREL, D. (2004). Finite-state transducer cascades to extract named entities in texts. Theoretical Computer Sciences (TCS), 313:93-104.",
"links": null
},
"BIBREF10": {
"ref_id": "b10",
"title": "Structured and extended named entity evaluation in automatic speech transcriptions",
"authors": [
{
"first": "O",
"middle": [],
"last": "Galibert",
"suffix": ""
},
{
"first": "S",
"middle": [],
"last": "Rosset",
"suffix": ""
},
{
"first": "C",
"middle": [],
"last": "Grouin",
"suffix": ""
},
{
"first": "P",
"middle": [],
"last": "Zweigenbaum",
"suffix": ""
},
{
"first": "L",
"middle": [],
"last": "Quintard",
"suffix": ""
}
],
"year": 2011,
"venue": "International Joint Conference on Natural Language Processing",
"volume": "",
"issue": "",
"pages": "",
"other_ids": {},
"num": null,
"urls": [],
"raw_text": "GALIBERT, O., ROSSET, S., GROUIN, C., ZWEIGENBAUM, P. et QUINTARD, L. (2011). Structured and extended named entity evaluation in automatic speech transcriptions. In International Joint Conference on Natural Language Processing (IJCNLP'11).",
"links": null
},
"BIBREF11": {
"ref_id": "b11",
"title": "The ester 2 evaluation campaign for the rich transcription of french radio broadcasts",
"authors": [
{
"first": "S",
"middle": [],
"last": "Galliano",
"suffix": ""
},
{
"first": "G",
"middle": [],
"last": "Gravier",
"suffix": ""
},
{
"first": "L",
"middle": [],
"last": "Chaubard",
"suffix": ""
}
],
"year": 2009,
"venue": "International Speech Communication Association (INTERSPEECH'09)",
"volume": "",
"issue": "",
"pages": "",
"other_ids": {},
"num": null,
"urls": [],
"raw_text": "GALLIANO, S., GRAVIER, G. et CHAUBARD, L. (2009). The ester 2 evaluation campaign for the rich transcription of french radio broadcasts. In International Speech Communication Association (INTERSPEECH'09).",
"links": null
},
"BIBREF12": {
"ref_id": "b12",
"title": "Message undersrtanding conference -6 : A brief history",
"authors": [
{
"first": "R",
"middle": [],
"last": "Grishman",
"suffix": ""
},
{
"first": "B",
"middle": [],
"last": "Sundheim",
"suffix": ""
}
],
"year": 1996,
"venue": "International Conference on Computational Linguistics (COLING'96)",
"volume": "",
"issue": "",
"pages": "466--471",
"other_ids": {},
"num": null,
"urls": [],
"raw_text": "GRISHMAN, R. et SUNDHEIM, B. (1996). Message undersrtanding conference -6 : A brief history. In International Conference on Computational Linguistics (COLING'96), pages 466-471, Copenhagen, Denmark.",
"links": null
},
"BIBREF13": {
"ref_id": "b13",
"title": "FASTUS : A Cascaded Finite-State Transducer for Extracting Information from Natural-Language Text",
"authors": [
{
"first": "J",
"middle": [
"R"
],
"last": "Hobbs",
"suffix": ""
},
{
"first": "D",
"middle": [],
"last": "Appelt",
"suffix": ""
},
{
"first": "B",
"middle": [
"J I D K M S M"
],
"last": "Tyson",
"suffix": ""
},
{
"first": "M",
"middle": [],
"last": "",
"suffix": ""
}
],
"year": 1996,
"venue": "",
"volume": "",
"issue": "",
"pages": "383--406",
"other_ids": {},
"num": null,
"urls": [],
"raw_text": "HOBBS J. R., Appelt D., B. J. I. D. K. M. S. M. et TYSON, M. (1996). FASTUS : A Cascaded Finite-State Transducer for Extracting Information from Natural-Language Text, pages 383-406.",
"links": null
},
"BIBREF14": {
"ref_id": "b14",
"title": "Maximum entropy markov models for information extraction and segmentation",
"authors": [
{
"first": "A",
"middle": [],
"last": "Mccallum",
"suffix": ""
},
{
"first": "D",
"middle": [],
"last": "Freitag",
"suffix": ""
},
{
"first": "F",
"middle": [],
"last": "Pereira",
"suffix": ""
}
],
"year": 2000,
"venue": "International Conference on Machine Learning (ICML'00)",
"volume": "",
"issue": "",
"pages": "591--598",
"other_ids": {},
"num": null,
"urls": [],
"raw_text": "MCCALLUM, A., FREITAG, D. et PEREIRA, F. (2000). Maximum entropy markov models for information extraction and segmentation. In International Conference on Machine Learning (ICML'00), pages 591-598.",
"links": null
},
"BIBREF15": {
"ref_id": "b15",
"title": "Internal and External Evidence in the Identification and Semantic Categorisation of Proper Names",
"authors": [
{
"first": "D",
"middle": [
"D"
],
"last": "Mcdonald",
"suffix": ""
}
],
"year": 1996,
"venue": "",
"volume": "",
"issue": "",
"pages": "32--43",
"other_ids": {},
"num": null,
"urls": [],
"raw_text": "MCDONALD, D. D. (1996). Internal and External Evidence in the Identification and Semantic Categorisation of Proper Names, pages 32-43.",
"links": null
},
"BIBREF16": {
"ref_id": "b16",
"title": "Named entity recognition without gazetteers",
"authors": [
{
"first": "A",
"middle": [],
"last": "Mikheev",
"suffix": ""
},
{
"first": "M",
"middle": [],
"last": "Moens",
"suffix": ""
},
{
"first": "C",
"middle": [],
"last": "Grover",
"suffix": ""
}
],
"year": 1999,
"venue": "Proc. of the Ninth Conference of the European Chapter of the Association for Computational Linguistics",
"volume": "",
"issue": "",
"pages": "1--8",
"other_ids": {},
"num": null,
"urls": [],
"raw_text": "MIKHEEV, A., MOENS, M. et GROVER, C. (1999). Named entity recognition without gazetteers. In Proc. of the Ninth Conference of the European Chapter of the Association for Computational Linguistics, pages 1-8.",
"links": null
},
"BIBREF17": {
"ref_id": "b17",
"title": "Efficient mining of association rules using closed itemset lattices",
"authors": [
{
"first": "N",
"middle": [],
"last": "Pasquier",
"suffix": ""
},
{
"first": "Y",
"middle": [],
"last": "Bastide",
"suffix": ""
},
{
"first": "R",
"middle": [],
"last": "Taouil",
"suffix": ""
},
{
"first": "L",
"middle": [],
"last": "Lakhal",
"suffix": ""
}
],
"year": 1999,
"venue": "INF. SYST",
"volume": "24",
"issue": "1",
"pages": "25--46",
"other_ids": {},
"num": null,
"urls": [],
"raw_text": "PASQUIER, N., BASTIDE, Y., TAOUIL, R. et LAKHAL, L. (1999). Efficient mining of association rules using closed itemset lattices. INF. SYST., 24(1):25-46.",
"links": null
},
"BIBREF18": {
"ref_id": "b18",
"title": "Scikit-learn : Machine learning in python",
"authors": [
{
"first": "F",
"middle": [],
"last": "Pedregosa",
"suffix": ""
},
{
"first": "G",
"middle": [],
"last": "Varoquaux",
"suffix": ""
},
{
"first": "A",
"middle": [],
"last": "Gramfort",
"suffix": ""
},
{
"first": "V",
"middle": [],
"last": "Michel",
"suffix": ""
},
{
"first": "B",
"middle": [],
"last": "Thirion",
"suffix": ""
},
{
"first": "O",
"middle": [],
"last": "Grisel",
"suffix": ""
},
{
"first": "M",
"middle": [],
"last": "Blondel",
"suffix": ""
},
{
"first": "P",
"middle": [],
"last": "Pretten-Hofer",
"suffix": ""
},
{
"first": "R",
"middle": [],
"last": "Weiss",
"suffix": ""
},
{
"first": "V",
"middle": [],
"last": "Dubourg",
"suffix": ""
},
{
"first": "J",
"middle": [],
"last": "Vanderplas",
"suffix": ""
},
{
"first": "A",
"middle": [],
"last": "Passos",
"suffix": ""
},
{
"first": "D",
"middle": [],
"last": "Cournapeau",
"suffix": ""
},
{
"first": "M",
"middle": [],
"last": "Brucher",
"suffix": ""
},
{
"first": "M",
"middle": [],
"last": "Perrot",
"suffix": ""
},
{
"first": "Duchesnay",
"middle": [],
"last": "Et \u00c9douard",
"suffix": ""
}
],
"year": 2011,
"venue": "Journal of Machine Learning Research",
"volume": "12",
"issue": "",
"pages": "2825--2830",
"other_ids": {},
"num": null,
"urls": [],
"raw_text": "PEDREGOSA, F., VAROQUAUX, G., GRAMFORT, A., MICHEL, V., THIRION, B., GRISEL, O., BLONDEL, M., PRETTEN- HOFER, P., WEISS, R., DUBOURG, V., VANDERPLAS, J., PASSOS, A., COURNAPEAU, D., BRUCHER, M., PERROT, M. et \u00c9douard DUCHESNAY (2011). Scikit-learn : Machine learning in python. Journal of Machine Learning Research, 12:2825-2830.",
"links": null
},
"BIBREF19": {
"ref_id": "b19",
"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": "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 Traitement Automatique des Langues Naturelles (TALN'10).",
"links": null
},
"BIBREF20": {
"ref_id": "b20",
"title": "Entit\u00e9 nomm\u00e9es structur\u00e9es : guide d'annotation quaero",
"authors": [
{
"first": "S",
"middle": [],
"last": "Rosset",
"suffix": ""
},
{
"first": "C",
"middle": [],
"last": "Grouin",
"suffix": ""
},
{
"first": "P",
"middle": [],
"last": "Zweigenbaum",
"suffix": ""
}
],
"year": 2011,
"venue": "",
"volume": "",
"issue": "",
"pages": "",
"other_ids": {},
"num": null,
"urls": [],
"raw_text": "ROSSET, S., GROUIN, C. et ZWEIGENBAUM, P. (2011). Entit\u00e9 nomm\u00e9es structur\u00e9es : guide d'annotation quaero. Rapport technique, LIMSI (2011-04).",
"links": null
},
"BIBREF21": {
"ref_id": "b21",
"title": "Probabilistic pos tagging using decision trees",
"authors": [
{
"first": "H",
"middle": [],
"last": "Schmid",
"suffix": ""
}
],
"year": 1994,
"venue": "New Meth. in Lang. Proc. (NEMLP'94)",
"volume": "",
"issue": "",
"pages": "",
"other_ids": {},
"num": null,
"urls": [],
"raw_text": "SCHMID, H. (1994). Probabilistic pos tagging using decision trees. In New Meth. in Lang. Proc. (NEMLP'94).",
"links": null
},
"BIBREF22": {
"ref_id": "b22",
"title": "Mining sequential patterns : Generalizations and performance improvements",
"authors": [
{
"first": "R",
"middle": [],
"last": "Srikant",
"suffix": ""
},
{
"first": "R",
"middle": [],
"last": "Agrawal",
"suffix": ""
}
],
"year": 1996,
"venue": "International Conference on Extending Database Technology (EDBT'96)",
"volume": "",
"issue": "",
"pages": "3--17",
"other_ids": {},
"num": null,
"urls": [],
"raw_text": "SRIKANT, R. et AGRAWAL, R. (1996). Mining sequential patterns : Generalizations and performance improvements. In International Conference on Extending Database Technology (EDBT'96), pages 3-17.",
"links": null
},
"BIBREF23": {
"ref_id": "b23",
"title": "The analysis and acquisition of proper names for the understanding of free text",
"authors": [
{
"first": "C",
"middle": [
"S"
],
"last": "Stephens",
"suffix": ""
}
],
"year": 1993,
"venue": "Computers and the Humanities",
"volume": "26",
"issue": "",
"pages": "441--456",
"other_ids": {},
"num": null,
"urls": [],
"raw_text": "STEPHENS, C. S. (1993). The analysis and acquisition of proper names for the understanding of free text. Computers and the Humanities, 26:441-456.",
"links": null
},
"BIBREF24": {
"ref_id": "b24",
"title": "Bide : Efficient mining of frequent closed sequences",
"authors": [
{
"first": "J",
"middle": [],
"last": "Wang",
"suffix": ""
},
{
"first": "J",
"middle": [],
"last": "Han",
"suffix": ""
}
],
"year": 2004,
"venue": "International Conference on Data Engineering (ICDE'04)",
"volume": "",
"issue": "",
"pages": "",
"other_ids": {},
"num": null,
"urls": [],
"raw_text": "WANG, J. et HAN, J. (2004). Bide : Efficient mining of frequent closed sequences. In International Conference on Data Engineering (ICDE'04).",
"links": null
},
"BIBREF25": {
"ref_id": "b25",
"title": "Efficient combined approach for named entity recognition in spoken language",
"authors": [
{
"first": "A",
"middle": [],
"last": "Zidouni",
"suffix": ""
},
{
"first": "S",
"middle": [],
"last": "Rosset",
"suffix": ""
},
{
"first": "H",
"middle": [],
"last": "Glotin",
"suffix": ""
}
],
"year": 2010,
"venue": "Conference of the International Speech Communication Association (INTERSPEECH'10)",
"volume": "",
"issue": "",
"pages": "",
"other_ids": {},
"num": null,
"urls": [],
"raw_text": "ZIDOUNI, A., ROSSET, S. et GLOTIN, H. (2010). Efficient combined approach for named entity recognition in spoken language. In Conference of the International Speech Communication Association (INTERSPEECH'10).",
"links": null
}
},
"ref_entries": {
"FIGREF0": {
"uris": null,
"type_str": "figure",
"text": "Verbes : les sous-cat\u00e9gories relatives au mode et temps du verbe sont supprim\u00e9es. Pour le processus de fouille de donn\u00e9es, nous omettons les variations surfaciques (majuscules) et flexionnelles (d\u00e9clinaisons et conjugaisons) : nous ne conservons pas les items lexicaux euxm\u00eames et faisons reposer la recherche de motifs sur les lemmes propos\u00e9s par TreeTagger. Par exemple, le 'En 1970 les socialistes [...]' donnera la s\u00e9quence : 'PRP/en NUM/DIGITS:4/PREF:19/1970 DET/DEF/le NOM/SUFF:ste/socialiste'. 5. Ce nombre est pr\u00e9cis\u00e9 s'il est inf\u00e9rieur ou \u00e9gal \u00e0 quatre le pr\u00e9fixe est utilis\u00e9 dans ce dernier cas : 'NUM/DIGITS:MANY', 'NUM/DIGITS:4/PREF:20' . . ., 'NUM/DIGITS:1')",
"num": null
},
"FIGREF2": {
"uris": null,
"type_str": "figure",
"text": "R\u00e9partition des types principaux d'entit\u00e9s",
"num": null
},
"FIGREF3": {
"uris": null,
"type_str": "figure",
"text": "Types d'entit\u00e9s des r\u00e8gles FIGURE 5 -Caract\u00e9ristiques des r\u00e8gles d'annotation extraites",
"num": null
},
"FIGREF5": {
"uris": null,
"type_str": "figure",
"text": "Performances (SER) et erreurs selon la Fr\u00e9quence (F) et la Confiance (C) Nous menons des exp\u00e9riences suppl\u00e9mentaires , dont les r\u00e9sultats sont report\u00e9s dans le tableau 2 pour les configurations suivantes : -Logit : syst\u00e8me par d\u00e9faut -Logit-Dicos : d\u00e9sactivation des ressources lexicales -Logit+Test : apprentissage en fusionnant les corpus Etape-Train et Etape-Dev -Logit-D25 : filtrage \u03b4 \u00e0 25%, -Logit-D50 : filtrage \u03b4 \u00e0 50%, -Logit-D75 : filtrage \u03b4 \u00e0 75%, 15. http://scikit-learn.org 16. Slot Error Rate, taux d'erreur pond\u00e9r\u00e9",
"num": null
},
"FIGREF6": {
"uris": null,
"type_str": "figure",
"text": "2 -Performances (SER), erreurs d'Insertion (I), de D\u00e9l\u00e9tion (D), de Substitution (S), Pr\u00e9cision (P), Rappel (R), F-mesure (Fm) des approches Nous menons des \u00e9valuations s\u00e9par\u00e9es des types primaires (sans sous-types) d'entit\u00e9s nomm\u00e9es et de composants. La figure 7 en donne les r\u00e9sultats. Les entit\u00e9s nomm\u00e9es sont moins bien reconnues que les composants et plusieurs types (en particulier les expressions de temps) posent encore probl\u00e8me. Ceci dit, le syst\u00e8me \u00e9quilibre relativement bien sa pr\u00e9cision et son rappel et la reconnaissance d'entit\u00e9s nomm\u00e9es selon l'approche pr\u00e9sent\u00e9e donne des r\u00e9sultats. SER, pr\u00e9cision (gauche) et rappel (droite) par types primaires et composants",
"num": null
},
"TABREF0": {
"text": "approches orient\u00e9es donn\u00e9es param\u00e8trent un mod\u00e8le automatiquement gr\u00e2ce \u00e0 un apprentissage sur un corpus d'entra\u00eenement. Ce corpus d'entrainement, cr\u00e9\u00e9 par des experts, fournit de nombreux exemples de donn\u00e9es : le syst\u00e8me apprend sur ces exemples puis pr\u00e9dit l'\u00e9tiquette d'une nouvelle donn\u00e9e, selon son mod\u00e8le. Le corpus d'entrainement est constitu\u00e9 d'un ensemble de textes annot\u00e9s en entit\u00e9s nomm\u00e9es par des experts.",
"num": null,
"type_str": "table",
"html": null,
"content": "<table><tr><td colspan=\"9\">Les L'apprentissage automatique sera charg\u00e9</td></tr><tr><td colspan=\"9\">d'ajuster les param\u00e8tres disponibles, cette proc\u00e9dure \u00e9tant guid\u00e9e \u00e0 chaque it\u00e9ration par les</td></tr><tr><td colspan=\"9\">erreurs que commet le syst\u00e8me sur les jeux de donn\u00e9es disponibles. Une fois l'apprentissage</td></tr><tr><td colspan=\"9\">r\u00e9alis\u00e9, le syst\u00e8me est en mesure d'annoter de nouveaux textes en entit\u00e9s nomm\u00e9es selon les</td></tr><tr><td colspan=\"9\">param\u00e8tres de son mod\u00e8le. Traditionnellement, l'apprentissage automatique se rapproche plut\u00f4t</td></tr><tr><td colspan=\"9\">d'une classification (attribution d'une classe \u00e0 un mot) que d'une annotation (d\u00e9limitation d'une</td></tr><tr><td colspan=\"2\">expression linguistique).</td><td/><td/><td/><td/><td/><td/></tr><tr><td colspan=\"9\">Pour la REN, le format BIO 2 s'est impos\u00e9. La figure 2 pr\u00e9sente la classification par mots r\u00e9alis\u00e9e</td></tr><tr><td colspan=\"9\">pour l'\u00e9nonc\u00e9 '<org> fondation <pers> Cartier </pers> </org>'. Signalons qu'en partie</td></tr><tr><td colspan=\"9\">3, nous pr\u00e9sentons une approche orient\u00e9e donn\u00e9e, mais qui est apparent\u00e9e \u00e0 un m\u00e9canisme de</td></tr><tr><td colspan=\"8\">transduction (\u00e0 l'aide d'indices locaux) plut\u00f4t que de classification.</td></tr><tr><td/><td/><td/><td/><td>B-ORG</td><td/><td/><td/></tr><tr><td/><td/><td colspan=\"2\">PERS</td><td/><td/><td/><td/></tr><tr><td>La</td><td>Fondation</td><td colspan=\"2\">Cartier</td><td>pour</td><td>l'</td><td>art</td><td>contemporain</td><td>.</td></tr><tr><td>O</td><td>I-ORG</td><td colspan=\"2\">I-ORG</td><td>I-ORG</td><td>I-ORG</td><td>I-ORG</td><td>I-ORG</td><td>O</td></tr><tr><td/><td/><td colspan=\"2\">B-PERS</td><td/><td/><td/><td/></tr><tr><td/><td/><td colspan=\"6\">FIGURE 2 -Annotation par classification</td></tr><tr><td colspan=\"9\">G\u00e9n\u00e9ralement, ces approches estiment la probabilit\u00e9 des classes selon les tokens et les informa-</td></tr><tr><td colspan=\"9\">tions qui y sont associ\u00e9es. Parmi les mod\u00e8les num\u00e9riques adapt\u00e9s, figurent les mod\u00e8les bay\u00e9siens,</td></tr><tr><td colspan=\"9\">la r\u00e9gression logistique (ou maximum d'entropie), les machines \u00e0 vecteur de support (SVM) ,</td></tr><tr><td colspan=\"9\">etc. La r\u00e9gression logistique a d\u00e9montr\u00e9 son efficacit\u00e9 pour la reconnaissance d'entit\u00e9s nomm\u00e9es</td></tr><tr><td/><td/><td/><td/><td>ORG</td><td/><td/><td/></tr><tr><td/><td/><td>PERS</td><td/><td/><td/><td/><td/></tr><tr><td>La</td><td>Fondation</td><td colspan=\"2\">Cartier</td><td>pour</td><td>l'</td><td>art</td><td>contemporain</td><td>.</td></tr><tr><td><org></td><td/><td><pers></td><td colspan=\"2\"></pers></td><td/><td/><td/><td></org></td></tr><tr><td/><td/><td colspan=\"5\">FIGURE 1 -Annotation par balises</td><td/></tr><tr><td colspan=\"9\">Les approches orient\u00e9es connaissances peuvent \u00eatre utilis\u00e9es et adapt\u00e9es \u00e0 des textes sans</td></tr><tr><td colspan=\"9\">apprentissage pr\u00e9alable. Leur limitation est li\u00e9e au fait que les ressources utilis\u00e9es sont rarement</td></tr><tr><td colspan=\"9\">exhaustives (par exemple, les noms propres forment une classe \"ouverte\") : il semble illusoire de</td></tr><tr><td colspan=\"9\">b\u00e2tir ce type d'approche sur l'hypoth\u00e8se d'un lexique complet des entit\u00e9s nomm\u00e9es existantes.</td></tr></table>"
},
"TABREF1": {
"text": "Pour prendre en compte simultan\u00e9ment la multiplicit\u00e9 des indices locaux et les aspects s\u00e9quentiels au sein d'un mod\u00e8le unifi\u00e9, les MEMM 3(McCallum et al., 2000) puis les CRF 4(Raymond et Fayolle, 2010;Zidouni et al., 2010) sont les mod\u00e8les r\u00e9put\u00e9s les plus ad\u00e9quats \u00e0 ce jour.",
"num": null,
"type_str": "table",
"html": null,
"content": "<table/>"
},
"TABREF2": {
"text": ", pour ensuite chercher \u00e0 associer une marque de d\u00e9but et de fin d'entit\u00e9. Notre hypoth\u00e8se est que l'on dispose de suffisamment d'indices locaux pour caract\u00e9riser pr\u00e9cis\u00e9ment le d\u00e9but ou la fin d'une entit\u00e9.Consid\u00e9rons pas exemple l'\u00e9nonc\u00e9 annot\u00e9 suivant 'En <date> <num> 1969 </num> </date> <pers> <prenom> Georges </prenom> <famille> Pompidou </famille> </pers> dirige la <org> <loc> France </loc> </org>'. Notre hypoth\u00e8se est que chacune des marques d'annotation ('<pers>', '<prenom>', '</prenom>', '</pers>', etc.) est d\u00e9tectable s\u00e9par\u00e9ment. De plus, la d\u00e9tection d'une entit\u00e9 encapsul\u00e9e telle que '<prenom>' peut guider la d\u00e9tection de l'entit\u00e9",
"num": null,
"type_str": "table",
"html": null,
"content": "<table/>"
},
"TABREF3": {
"text": "que nous mettons en oeuvre repose sur des analyses fr\u00e9quemment conduites pour traiter le langage naturel (morpho-syntaxe, lexiques). Pour la fouille, ces traitements sont interpr\u00e9t\u00e9s comme autant d'enrichissements des donn\u00e9es, \u00e0 utiliser pour rechercher des motifs g\u00e9n\u00e9ralis\u00e9s dans les donn\u00e9es. La figure 3 pr\u00e9sente de mani\u00e8re sch\u00e9matique, sur l'exemple 'Pierre a visit\u00e9 le Centre Georges Pompidou', la mani\u00e8re dont se superposent ces enrichissements.La fouille de donn\u00e9es devra alors tenir compte de deux axes : paradigmatique, pour la superposition d'enrichissements, et structurel, pour l'examen des contig\u00fcit\u00e9s entre items. Comme nous le verrons par la suite, ce processus est flexible : les enrichissements peuvent \u00eatre plus ou moins profonds selon les \u00e9l\u00e9ments consid\u00e9r\u00e9s. Nous pouvons moduler \u00e0 volont\u00e9 l'axe paradigmatique selon les \u00e9l\u00e9ments observ\u00e9s et la t\u00e2che d'annotation \u00e0 r\u00e9aliser.",
"num": null,
"type_str": "table",
"html": null,
"content": "<table><tr><td/><td/><td/><td colspan=\"2\">axe paradigmatique</td><td/><td/></tr><tr><td>PRENOM</td><td/><td/><td/><td>BAT</td><td>BAT</td><td>CELEB</td><td>S\u00e9mantique</td></tr><tr><td>NP</td><td>VER</td><td>VER</td><td>DET</td><td>NC</td><td>NP</td><td/></tr><tr><td/><td/><td/><td/><td/><td/><td/><td>Morpho-syntaxe</td></tr><tr><td/><td/><td/><td/><td/><td colspan=\"2\">axe structurel</td></tr><tr><td/><td>avoir</td><td>visiter</td><td/><td/><td/><td/><td>Lemmatisation</td></tr><tr><td>Pierre Pierre</td><td>a</td><td>visit\u00e9</td><td>le</td><td>Centre</td><td colspan=\"2\">Pompidou</td><td>Tokenisation</td></tr><tr><td/><td colspan=\"6\">FIGURE 3 -Repr\u00e9sentation des structures \u00e0 fouiller</td></tr><tr><td>L'approche</td><td/><td/><td/><td/><td/><td/></tr></table>"
},
"TABREF4": {
"text": "Les lexiques nous permettent d'ajouter un niveau s\u00e9mantique aux hi\u00e9rarchies. Nous exploitons des ressources diverses, dont certaines sont import\u00e9es \u00e0 partir des dictionnaires et motifs du syst\u00e8me CasEN 6 . Nous y ajoutons quelques listes, constitu\u00e9es manuellement, en particulier pour les fonctions, lieux, organisations, quantit\u00e9s et dates. Ces ressources contiennent 221 547 expressions distinctes qui produisent 443 112 cat\u00e9gorisations s\u00e9mantiques 7 . Une large part est d\u00e9di\u00e9e \u00e0 la reconnaissance des personnes et des lieux. Signalons qu'une partie de ces ressources est g\u00e9n\u00e9r\u00e9e \u00e0 partir d'automates (transducteurs CasEN) qui reconnaissent des expressions linguistiques utiles \u00e0 la REN.Ces ressources sont utilis\u00e9es telles quelles pour produire les enrichissements. Ceux-ci peuvent alors \u00eatre s\u00e9mantiquement ambigus, ce que nous notons comme une disjonction exclusive \u2295. Par exemple, au nom propre Washington seront affect\u00e9es les cat\u00e9gories s\u00e9mantiques",
"num": null,
"type_str": "table",
"html": null,
"content": "<table><tr><td>3.1.2 Lexiques</td></tr></table>"
},
"TABREF5": {
"text": "= p 1 p 2 . . . p n \u2208 p + et Q = q 1 q 2 . . . q p \u2208 p + , alors P g\u00e9n\u00e9ralise par affixation Q, not\u00e9 P \u2264 g Q, si p \u2265 n et s'il existe au moins un k \u2208 [0, p \u2212 n] tel que, pour tout j \u2208 [1, n], alors q j+k = p j . -G\u00e9n\u00e9ralisation sur marqueurs entre motifs : soient deux motifsP = p 1 p 2 . . . p n \u2208 p + et Q = q 1 q 2 . . . q p \u2208 p + ,alors P g\u00e9n\u00e9ralise sur marqueurs Q, not\u00e9 P \u2264 g Q, si p \u2265 n et s'il existe une fonction discr\u00e8te strictement croissante C() d\u00e9finie de [1, n] vers [1, p] telle que, pour tout j \u2208 [1, n], alors p j = q C( j) et, pour tout k \u2208 [1, p] tel que k \u2208 {C( j), j \u2208 [1, n]}, alors q k \u2208 \u03a3 m . Ces g\u00e9n\u00e9ralisations nous permettent de rechercher des motifs dans lesquels apparaissent les marqueurs d'entit\u00e9s nomm\u00e9es. Par exemple, au sein de l'\u00e9nonc\u00e9 'Le <fonc> pr\u00e9sident </fonc> <pers> Georges Pompidou </pers> d\u00e9battait souvent.', nous relevons, par relations de couverture et de g\u00e9n\u00e9ralisation, une occurrence pour les motifs 'NOM/pr\u00e9sident <pers> CELEB </pers>' ou 'NOM/pr\u00e9sident CELEB </pers> VERB/d\u00e9battre', par exemple.",
"num": null,
"type_str": "table",
"html": null,
"content": "<table><tr><td>Ce m\u00eame m\u00e9canisme sera pris en compte lorsqu'il s'agit de g\u00e9n\u00e9raliser selon l'axe paradigmatique :</td></tr><tr><td>l'objectif est que, par exemple, 'CELEB' couvre indiff\u00e9remment 'Pompidou' et 'Valery Giscard</td></tr><tr><td>d'Estaing'. Plus g\u00e9n\u00e9ralement, nous d\u00e9finissons trois relations de g\u00e9n\u00e9ralisation entre motifs :</td></tr></table>"
},
"TABREF7": {
"text": "Caract\u00e9ristiques du corpus Etape Le travail a \u00e9t\u00e9 r\u00e9alis\u00e9 dans le contexte de la campagne d'\u00e9valuation Etape 10 , en interaction avec le programme Quaero 11 . Cette campagne a port\u00e9 sur le traitement d'\u00e9missions radiodiffus\u00e9es et t\u00e9l\u00e9visuelles, donc orales et en partie spontan\u00e9es. L'objectif est d'annoter les entit\u00e9s nomm\u00e9es structur\u00e9es, tant sur les transcriptions manuelles qu'en sortie de syst\u00e8mes de reconnaissance de la parole. La table 1 indique les parties \u00e0 disposition. Le corpus Etape-Test \u00e9tant en cours d'adjudication, nous ne l'utilisons pas pour mener nos exp\u00e9riences. Etape-Quaero 12",
"num": null,
"type_str": "table",
"html": null,
"content": "<table/>"
},
"TABREF9": {
"text": "",
"num": null,
"type_str": "table",
"html": null,
"content": "<table/>"
},
"TABREF10": {
"text": "17. Word Error RatePart.",
"num": null,
"type_str": "table",
"html": null,
"content": "<table><tr><td/><td>Type</td><td>Man</td><td>Rover</td><td>WER23</td><td>WER24</td><td>WER25</td><td>WER30</td><td>WER35</td></tr><tr><td>1</td><td>OC</td><td>84.8</td><td>98,1</td><td>100,7</td><td>94,2</td><td>98,9</td><td>98,4</td><td>100,9</td></tr><tr><td>2</td><td>OC</td><td>172.0</td><td>147,4</td><td>178,8</td><td>160,4</td><td>168,0</td><td>163,9</td><td>168,2</td></tr><tr><td>3</td><td>CRF</td><td>33.8</td><td>57,2</td><td>59,3</td><td>64,7</td><td>62,0</td><td>61,7</td><td>71,8</td></tr><tr><td>4</td><td>OC</td><td>55.6</td><td>88,0</td><td>98,8</td><td>76,8</td><td>92,8</td><td>94,9</td><td>99,6</td></tr><tr><td>5</td><td>CRF</td><td>43.6</td><td>69,7</td><td>73,8</td><td>72,1</td><td>73,7</td><td>74,8</td><td>86,0</td></tr><tr><td>6</td><td>CRF+PCFG</td><td>na</td><td>79,2</td><td>79,5</td><td>66,8</td><td>80,8</td><td>80,0</td><td>87,0</td></tr><tr><td>7</td><td>CRF+PCFG</td><td>na</td><td>67,8</td><td>68,4</td><td>67,6</td><td>70,9</td><td>69,9</td><td>85,2</td></tr><tr><td>8</td><td>CRF+PCFG</td><td>36.4</td><td>na</td><td>na</td><td>na</td><td>na</td><td>na</td><td>na</td></tr><tr><td>9</td><td>CRF</td><td>62.8</td><td>75,8</td><td>79,2</td><td>76,9</td><td>79,8</td><td>80,5</td><td>90,5</td></tr><tr><td>10</td><td>OC</td><td>42.9</td><td>65,0</td><td>69,9</td><td>66,3</td><td>70,5</td><td>69,9</td><td>87,0</td></tr><tr><td>CasEN</td><td>OC</td><td>49.3</td><td>na</td><td>na</td><td>68,4</td><td>na</td><td>na</td><td>na</td></tr><tr><td>mXS</td><td>R\u00e8gles</td><td>41.0</td><td>63,7</td><td>67,5</td><td>64,1</td><td>69,1</td><td>68,6</td><td>80,4</td></tr></table>"
},
"TABREF11": {
"text": "SER de la campagne Etape par syst\u00e8me (OC=Orient\u00e9 Connaissances) sur les transcriptions avant adjudication (manuel : Man, transcription automatiques : Rover et WERXX, dont WER24 avec majuscules)",
"num": null,
"type_str": "table",
"html": null,
"content": "<table/>"
}
}
}
} |